CN108844856A - 基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法 - Google Patents

基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法 Download PDF

Info

Publication number
CN108844856A
CN108844856A CN201810725241.0A CN201810725241A CN108844856A CN 108844856 A CN108844856 A CN 108844856A CN 201810725241 A CN201810725241 A CN 201810725241A CN 108844856 A CN108844856 A CN 108844856A
Authority
CN
China
Prior art keywords
wave
sleeve
point
test
velocity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810725241.0A
Other languages
English (en)
Other versions
CN108844856B (zh
Inventor
吴佳晔
吴波涛
孙彬
罗技明
冯源
黄伯太
张远军
杨俊�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Central Inspection Technology Inc
China Academy of Building Research CABR
Original Assignee
Sichuan Central Inspection Technology Inc
China Academy of Building Research CABR
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Central Inspection Technology Inc, China Academy of Building Research CABR filed Critical Sichuan Central Inspection Technology Inc
Priority to CN201810725241.0A priority Critical patent/CN108844856B/zh
Publication of CN108844856A publication Critical patent/CN108844856A/zh
Application granted granted Critical
Publication of CN108844856B publication Critical patent/CN108844856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
    • G01N9/24—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by observing the transmission of wave or particle radiation through the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
    • G01N9/36—Analysing materials by measuring the density or specific gravity, e.g. determining quantity of moisture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0232—Glass, ceramics, concrete or stone
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，该方法采用冲击弹性波作为检测媒介，利用拾取的信号特征，结合机器学习得到分析模型，进而检测套筒的灌浆密实度。信号特征主要利用其频谱特性，并建立属性以供机器学习。对每个测试套筒，通过获取健全部位的信息，作为反映混凝土力学特性的基准参数。通过对各种结构厚度、工况下未灌浆、灌浆饱满的套筒进行检测，分析信号特征属性，建立训练集以供机器学习并得到分析模型。利用分析模型对未知灌浆状况的套筒的检测数据进行分析，并对其分析结果进行验证。将数据和验证结果做成示例再补充到训练集，进而优化分析模型。本发明参与目标分析参数多，判断精准，自动化程度高。

Description

基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法
技术领域
本发明涉及无损检测技术领域，具体涉及基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法。
背景技术
预制装配式混凝土结构(简称PC，Prefabricated Concrete)，是以预制混凝土构件为主要构件，经装配、连接，结合部分现浇而形成的混凝土结构。PC工程在当今世界建筑领域中，作为新兴的绿色环保节能型建筑在海外得到较普遍运用。我国在近年来也得到了长足的进展，特别是住建部于2014年颁布了《装配式混凝土结构技术规程》(JGJ1-2014)，标志着该领域在我国已进入快速发展期。
其中的钢筋套筒连接，以及套筒连接的灌浆密实度也直接影响到结构的承载力，是最关键的质量要点之一。在JGJ1-2014中，要求对其进行全数检测。
但是，套筒灌浆料饱满度检测是非常困难的，尽管业内提出了X射线工业CT法、预埋传感器法、预埋钢丝拉拔法、X射线胶片成像法等方法，但其各有适用范围和特点，检测成本较高，还无法实际应用。对此，我们开发了基于冲击弹性波和人工智能(AI)的检测方法，有望较好地解决这个问题。
现有的工程无损检测技术在是利用信号激发装置和信号接收装置进行数据采集工作，再利用编好程序的软件对数据进行解析，得到所需的某一两个目标参数，检测人员根据判断标准再结合经验加以判断，给出结果。这种传统的数据解析及分析方法得到的结果存在一定缺陷，具体有以下两点：
软件只为得到某一两个目标参数而编程，除了目标参数，其他可用的参数不能参与结果的判断；某些分析结果需结合经验加以判断，不能做到判断结果精准化、智能化。
发明内容
为了解决现有套筒灌浆料饱满度检测困难，尽管业内提出了某些方法，但其各有适用范围和特点或者检测成本较高，还无法实际应用的问题；本发明提供了基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，该方法采用冲击弹性波作为检测媒介，利用拾取的信号特征，结合机器学习得到分析模型，进而检测套筒的灌浆密实度。信号特征主要利用其频谱特性，并建立属性以供机器学习。对每个测试套筒，通过获取健全部位(一般取套筒上方部位)的信息(如等效波速等)，作为反映混凝土力学特性的基准参数。通过对各种结构厚度、工况下未灌浆、灌浆饱满的套筒进行检测，分析信号特征属性，建立训练集以供机器学习并得到分析模型。利用分析模型对未知灌浆状况的套筒的检测数据进行分析，并对其分析结果进行验证。将数据和验证结果做成示例再补充到训练集，进而优化分析模型。不断重复以上步骤，优化分析模型，提高精度。
本发明通过下述技术方案实现：
基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，包括以下步骤：
步骤一、获取多种结构厚度或工况下已知灌浆状态的测试套筒的健全部位的冲击弹性波信息，作为反映混凝土力学特性的基准参数；
步骤二、采集多种结构厚度或工况下已知灌浆状态的测试套筒的各个结构的冲击弹性波信息；
步骤三、对步骤一和步骤二中获得的冲击弹性波信息特征进行解析处理，得到目标参数，包括其频谱特性参数，建立训练集以供机器学习得到分析模型；
步骤四、采集未知灌浆状态的测试套筒检测数据，采集方式与步骤一和步骤二的方式相同，利用步骤三得到的分析模型对未知灌浆状况的套筒的检测数据进行分析验证得到该测试套筒的灌浆密实度；
步骤五、将步骤四得到的测试套筒的检测数据和验证结果再次补充到训练集以供机器学习，对分析模型进行优化。
具体的，所述步骤一中获取多种结构厚度或工况下已知灌浆状态的测试套筒的健全部位的冲击弹性波信息具体包括以下步骤：
步骤1.1、对测试套筒的所有结构：均需对混凝土进行波速标定，剪力墙使用冲击回波法来反算波速，预制柱使用冲击回波法进行波速标定及透射法，根据透射P波波速*0.95换算成标准波速；
步骤1.2、标记检测点的灌浆状态，以便与分析模型对接；每个测试套筒进行检测时，首先在套筒延长线外侧进行冲击回波法进行波速标定；检测传感器位置距离出浆口20cm，激振点在其上5cm，每个激振点激振3次；
步骤1.3、对于预制柱，还需采用透射法测试波速，并另存测试数据。
具体的，所述步骤二中采集多种结构厚度或工况下已知灌浆状态的测试套筒的各个结构的冲击弹性波信息具体包括以下步骤：
步骤2.1、数据采集时，在测试套筒距剪力墙墙面距离最小的一侧进行数据采集；同一激振点激振两次进行数据采集；
步骤2.2、对于剪力墙，双排布置或者梅花布置检测点，均需从墙体两面进行数据采集，在背面采集时，检测点要对准套筒的位置；
步骤2.3、对于预制柱，需找准套筒位置，在测试套筒距预制柱柱面距离最小的位置进行数据采集；
步骤2.4、所有结构：均需对混凝土进行波速标定，剪力墙使用冲击回波法反算波速，预制柱使用冲击回波法进行波速标定及使用透射法，根据透射P波波速*0.95换算成标准波速；
步骤2.5、标记检测点的灌浆状态，以便与分析模型对接；每个测试套筒进行检测时，首先在套筒延长线外侧进行冲击回波法进行波速标定；标定点检测传感器位置距离出浆口20cm，激振点在其上5cm，每个激振点激振3次；进行测试套筒检测时，激振点与检测点传感器连线在套筒轴线上，间距为5cm；
步骤2.6、预制柱进行检测时，采用透射法测试波速，并另存测试数据。
具体的，所述步骤三中对步骤一和步骤二中获得的冲击弹性波信息进行解析处理包括以下步骤：
步骤3.1、所述步骤一和步骤二中获取冲击弹性波信息特征具体为在被测物上标记检测点，使用信号激发装置激发信号，使信号在被测物内部传播，使用信号接收装置，沿检测点逐点采集在被测物结构内部传播后的弹性冲击波信息；
步骤3.2、将上述采集到的弹性冲击波信息保存在测试数据文件中，建立AOC文件，组成数据源文件，该AOC文件定义如下：
第1行：解析编码，中间用空格隔开。
(1)30，为套筒灌浆固定编码；
(2)0：剪力墙；1：预制柱。
第2行：对象信息，中间用空格隔开。
(1)套筒型号：按照单、双排、梅花布置定义，该型号与训练的分析模型对应；
(2)壁厚：单位：m；
(3)套筒埋深：顶部距测点的最近距离，单位：m；
(4)套筒直径：外径，单位：m。
第3行：各条测试数据信息，中间用空格隔开
(1)测点属性：1：波速标定，2：套筒检测；
(2)传感器-激振点中心位置与最近边缘的距离：底板凸台或侧面，单位：m；
(3)传感器-激振点中心位置与下出浆口中心的距离：单位：m；
(4)传感器-激振点中心位置与上出浆口中心的距离：单位：m；
步骤3.3、对步骤3.2中的数据源文件进行数据解析，得到其目标参数；
步骤3.4、对步骤一和步骤二中所述的测试套筒进行分析，标记每个检测点的灌浆状态，将每个检测点的灌浆状态和步骤3.3中得到的目标参数进行匹配后作为学习数据。
具体的，所述步骤3.3解析得到的频谱特性参数包括：
T_FFT[0]、T_FFT[1]、T_FFT[2]：信号傅里叶变换后的振幅前3阶极值点；
T_MEM[0]、T_MEM[1]、T_MEM[2]：最大熵处理的幅前3阶极值点；
R_FFT[1]、R_FFT[2]：傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅；
T_MEPS(ms)：标定点的T_MEM[0]基阶平均值；
T_DEPS(ms)：标定点的T_MEM[0]基阶平均值标准差。
具体的，所述步骤3.4中检测点的灌浆状态包括两个等级，包括健全SOUND和有缺陷DEFECT。
具体的，所述步骤3.3中的目标参数包括：
T_FFT[0]、T_FFT[1]、T_FFT[2]：信号傅里叶变换后的振幅前3阶极值点；
T_MEM[0]、T_MEM[1]、T_MEM[2]：最大熵处理的幅前3阶极值点；
R_FFT[1]、R_FFT[2]：傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅；
T_FstHfS：首波半波长；
V_VPB(km/s)：测试波速；
VRF(km/s)：标准波速；
Thick(m)：壁厚；
PP-Dia(m)：套筒外径；
PP-TDs(m)：套筒埋深；
DisLB(m)：测试点边界最小距离；
DisLP(m)：测试点中心距入浆口距离；
DisUP(m)：测试点中心距出浆口距离；
T_MEPS(ms)：标定点的T_MEM[0]基阶平均值；
T_DEPS(ms)：标定点的T_MEM[0]基阶平均值标准差。
具体的，所述步骤三中得到的分析模型为贝叶斯网络模型或人工神经元网络模型。
本发明具有如下的优点和有益效果：
本发明是一种基于冲击弹性波和机器学习的套筒灌浆无损检测方法，参与目标分析参数多，判断精准，自动化程度高；本发明不但做了混凝土的波速标定工作，且在测点布置时，覆盖了整个套筒，使得测试数据更加全面准确，能够快速可靠地获得套筒灌浆状态；本发明的套筒灌浆无损检测方法适用范围广，且成本低，检测过程简单可靠。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的剪力墙、预制柱测点布置示意图。
图2为本发明的预制柱透射法波速测试测点布置示意图。
图3为本发明建立的二层贝叶斯网络模型示意图。
图4为本发明建立的人工神经元网络模型示意图。
附图中标记及对应的零部件名称：
1-激振锤，2-0通道传感器，3-出浆口，4-注浆口，5-1通道传感器，6-预制柱体。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，包括以下步骤：
步骤一、在被测物上标记检测点，使用信号激发装置激发信号，使信号再被测物内部传播，使用信号接收装置(传感器)沿检测点逐步采集多种结构厚度或工况下已知灌浆状态的测试套筒的健全部位的冲击弹性波信息(如等效波速等)，作为反映混凝土力学特性的基准参数；
该步骤具体包括以下步骤：
步骤1.1、对测试套筒的所有结构：均需对混凝土进行波速标定，剪力墙使用冲击回波法来反算波速，预制柱不但使用冲击回波法进行波速标定，还使用透射法，根据透射P波波速*0.95换算成标准波速；
步骤1.2、严格标记检测点的灌浆状态，以便与分析模型对接；每个测试套筒进行检测时，首先在套筒延长线外侧进行冲击回波法进行波速标定；检测传感器位置距离出浆口20cm，激振点在其上5cm，每个激振点激振3次，如图1所示；
步骤1.3、对于预制柱，采用透射法测试波速(在预制柱柱面两对立侧面各测一条测线，激振3次，测线位置位于出浆口3上方20cm，激振点位于测线上方5cm，如图2所示)，并另存测试数据。
步骤二、使用信号接收装置(传感器)沿检测点采集多种结构厚度或工况下已知灌浆状态的测试套筒的各个结构的冲击弹性波信息；
该步骤二具体包括以下步骤：
步骤2.1、数据采集时，在测试套筒距剪力墙墙面距离最小的一侧进行数据采集；同一激振点激振两次进行数据采集；
步骤2.2、对于剪力墙，双排布置或者梅花布置检测点，均需从墙体两面进行数据采集，在背面采集时，检测点要对准套筒的位置；
步骤2.3、对于预制柱，需找准套筒位置，在测试套筒距预制柱柱面距离最小的位置进行数据采集；
步骤2.4、所有结构：均需对混凝土进行波速标定，剪力墙使用冲击回波法反算波速，预制柱不但使用冲击回波法进行波速标定，还使用透射法，根据透射P波波速*0.95换算成标准波速；
步骤2.5、严格标记检测点的灌浆状态，以便与分析模型对接；每个测试套筒进行检测时，首先在套筒延长线外侧进行冲击回波法进行波速标定；标定点检测传感器位置距离出浆口20cm，激振点在其上5cm，每个激振点激振3次；进行测试套筒检测时，激振点与检测点传感器连线在套筒轴线上，间距为5cm，如图1所示；
步骤2.6、预制柱进行检测时，采用透射法测试波速(在预制柱柱面两对立侧面各测一条测线，激振3次，测线位置位于出浆口上方20cm，激振点位于测线上方5cm，如图2所示)，并另存测试数据。
步骤三、对步骤一和步骤二中获得的冲击弹性波信息特征进行解析处理，建立训练集以供机器学习得到分析模型；该步骤具体包括以下步骤：
步骤3.1、所述步骤一和步骤二中获取冲击弹性波信息特征具体为在被测物上标记检测点的位置，使用信号激发装置激发信号，使信号在被测物内部传播，使用信号接收装置，沿检测点逐点采集在被测物结构内部传播后的弹性冲击波信息；
步骤3.2、将上述采集到的弹性冲击波信息保存在测试数据文件中，建立AOC文件，组成数据源文件，该AOC文件定义如下：
第1行：解析编码，中间用空格隔开。
(1)30，为套筒灌浆固定编码；
(2)0：剪力墙；1：预制柱。
第2行：对象信息，中间用空格隔开。
(1)套筒型号：按照单、双排、梅花布置定义，该型号与训练的分析模型对应；
(2)壁厚：单位：m；
(3)套筒埋深：顶部距测点的最近距离，单位：m；
(4)套筒直径：外径，单位：m。
第3行：各条测试数据信息，中间用空格隔开
(1)测点属性：1：波速标定，2：套筒检测；
(2)传感器-激振点中心位置与最近边缘的距离：底板凸台或侧面，单位：m；
(3)传感器-激振点中心位置与下出浆口中心的距离：单位：m；
(4)传感器-激振点中心位置与上出浆口中心的距离：单位：m；
步骤3.3、对步骤3.2中的数据源文件进行数据解析，得到其目标参数；
该步骤得到的目标参数包括：
T_FFT[0]、T_FFT[1]、T_FFT[2]：信号傅里叶变换后的振幅前3阶极值点；
T_MEM[0]、T_MEM[1]、T_MEM[2]：最大熵处理的幅前3阶极值点；
R_FFT[1]、R_FFT[2]：傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅；
T_FstHfS：首波半波长；
V_VPB(km/s)：测试波速；
VRF(km/s)：标准波速；
Thick(m)：壁厚；
PP-Dia(m)：套筒外径；
PP-TDs(m)：套筒埋深；
DisLB(m)：测试点边界最小距离；
DisLP(m)：测试点中心距入浆口距离；
DisUP(m)：测试点中心距出浆口距离；
T_MEPS(ms)：标定点的T_MEM[0]基阶平均值；
T_DEPS(ms)：标定点的T_MEM[0]基阶平均值标准差。
其中，T_FFT[0]、T_FFT[1]、T_FFT[2]；T_MEM[0]、T_MEM[1]、T_MEM[2]；R_FFT[1]、R_FFT[2]；T_MEPS(ms)；T_DEPS(ms)为频谱特性参数。
步骤3.4、对步骤一和步骤二中所述的测试套筒进行分析，标记每个检测点的灌浆状态，检测点的状态包括两个等级，包括健全SOUND和有缺陷DEFECT；将每个检测点的灌浆状态和步骤3.3中得到的19个目标参数进行匹配后作为学习数据。
步骤四、利用步骤三得到的分析模型对未知灌浆状况的套筒的检测数据进行分析验证得到该套筒的灌浆密实度；
步骤五、将步骤四得到的套筒的检测数据和验证结果再次补充到训练集以供机器学习，对分析模型进行优化。
实施例2
基于上述实施例1的套筒关键无损检测方法的实际应用，本实施例采用不同的数据采集装置获取了多组测试数据样本，包括：采用传感器S21C+专用支座(简称21)得到的测试数据样本，如表1所示。
表1灌浆剪力墙测试验证数据一览表(21，jlq-ds-train-m)
行号 灌浆状况 测试地点 测试日期 墙壁厚度(m)
1～82 已灌浆 成都 2018.04 0.35
83～146 未灌浆 北京 2018.05 0.2
147～330 已灌浆 南京 2018.05 0.2
331～466 未灌浆 南京 2018.05 0.2
467～594 已灌浆(2天) 南京 2018.05 0.2
595～706 已灌浆 南京 2018.05 0.2
采用传感器SA12SC+专用支座(简称ICP)得到的测试数据样本，如表2所示。
表2灌浆剪力墙测试验证数据一览表(ICP，jlq-ds-icp-train)
行号 灌浆状况 测试地点 测试日期 墙壁厚度(m)
1～188 已灌浆 南京 2018.05 0.2
189～324 未灌浆 南京 2018.05 0.2
325～452 已灌浆(2天) 南京 2018.05 0.2
453～564 未灌浆 南京 2018.05 0.2
以及上述采用传感器S21C和传感器SA12SC得到的测试数据的混合数据(简称21/ICP)样本，如表3所示。
表3灌浆剪力墙测试验证数据一览表(21/ICP，jlq-ds-train-m-21icp)
行号 传感器 源文件 原文件行号
1～706 S21C+支座 jlq-ds-train-m 1～706
707～1270 SA12SC jlq-ds-icp-train 1～564
利用分析模型对未知灌浆状况的套筒的检测数据进行分析。
本实施例建立二层贝叶斯网络和人工神经元网络分析模型，分别如图3和图4所示；并采用集合学习(包括贝叶斯网络+AdaBoost；神经元网络+AdaBoost)的方法以进一步提高测试精度。预测精度，采用10折交叉验证(10-fold-Cross-Validation)的精度在86.0～89.5％，而采用完全训练的精度则达到了90.4～99.6％，其精度超出预期(如表4-6所示)。
表4各种识别模型的精度比较(21数据)
表5各种识别模型的精度比较(ICP数据)
表6各种识别模型的精度比较(21数据)
由上表4-6可知，S21C+专用支座得到的测试数据，进行预测得到的精度最好，大大超出了预期精度要求；而ICP得到的测试数据进行预测得到的精度相较于S21C超微差一些，其原因主要在于ICP传感器对微小信号的灵敏度不如S21C传感器。
综上，本发明的无损检测方法能够快速、准确、可靠地得到套筒灌浆密实度，且该方法基于冲击弹性波和机器学习模型进行分析，使得整个检测过程自动化程度高，且能够考虑更加全面的参数进行预测，大大提高了预测精度，保障了检测的可靠性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，包括以下步骤：
步骤一、获取多种结构厚度或工况下已知灌浆状态的测试套筒的健全部位的冲击弹性波信息，作为反映混凝土力学特性的基准参数；
步骤二、采集多种结构厚度或工况下已知灌浆状态的测试套筒的各个结构的冲击弹性波信息；
步骤三、对步骤一和步骤二中获得的冲击弹性波信息特征进行解析处理，得到目标参数，包括其频谱特性参数，建立训练集以供机器学习得到分析模型；
步骤四、采集未知灌浆状态的测试套筒检测数据，采集方式与步骤一和步骤二的方式相同，利用步骤三得到的分析模型对未知灌浆状况的套筒的检测数据进行分析验证得到该测试套筒的灌浆密实度；
步骤五、将步骤四得到的测试套筒的检测数据和验证结果再次补充到训练集以供机器学习，对分析模型进行优化。
2.根据权利要求1所述的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，所述步骤一中获取多种结构厚度或工况下已知灌浆状态的测试套筒的健全部位的冲击弹性波信息具体包括以下步骤：
步骤1.1、对测试套筒的所有结构：均需对混凝土进行波速标定，剪力墙使用冲击回波法来反算波速，预制柱使用冲击回波法进行波速标定及透射法，根据透射P波波速*0.95换算成标准波速；
步骤1.2、标记检测点的灌浆状态，以便与分析模型对接；每个测试套筒进行检测时，首先在套筒延长线外侧进行冲击回波法进行波速标定；检测传感器位置距离出浆口20cm，激振点在其上5cm，每个激振点激振3次；
步骤1.3、对于预制柱，还需采用透射法测试波速，并另存测试数据。
3.根据权利要求1所述的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，所述步骤二中采集多种结构厚度或工况下已知灌浆状态的测试套筒的各个结构的冲击弹性波信息具体包括以下步骤：
步骤2.1、数据采集时，在测试套筒距剪力墙墙面距离最小的一侧进行数据采集；同一激振点激振两次进行数据采集；
步骤2.2、对于剪力墙，双排布置或者梅花布置检测点，均需从墙体两面进行数据采集，在背面采集时，检测点要对准套筒的位置；
步骤2.3、对于预制柱，需找准套筒位置，在测试套筒距预制柱柱面距离最小的位置进行数据采集；
步骤2.4、所有结构：均需对混凝土进行波速标定，剪力墙使用冲击回波法反算波速，预制柱使用冲击回波法进行波速标定及使用透射法，根据透射P波波速*0.95换算成标准波速；
步骤2.5、标记检测点的灌浆状态，以便与分析模型对接；每个测试套筒进行检测时，首先在套筒延长线外侧进行冲击回波法进行波速标定；标定点检测传感器位置距离出浆口20cm，激振点在其上5cm，每个激振点激振3次；进行测试套筒检测时，激振点与检测点传感器连线在套筒轴线上，间距为5cm；
步骤2.6、预制柱进行检测时，采用透射法测试波速，并另存测试数据。
4.根据权利要求1所述的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，所述步骤三中对步骤一和步骤二中获得的冲击弹性波信息进行解析处理包括以下步骤：
步骤3.1、所述步骤一和步骤二中获取冲击弹性波信息具体为在被测物上标记检测点，使用信号激发装置激发信号，使信号在被测物内部传播，使用信号接收装置，沿检测点逐点采集在被测物结构内部传播后的弹性冲击波信息；
步骤3.2、将上述采集到的弹性冲击波信息保存在测试数据文件中，建立AOC文件，组成数据源文件，该AOC文件定义如下：
第1行：解析编码，中间用空格隔开。
(1)30，为套筒灌浆固定编码；
(2)0：剪力墙；1：预制柱。
第2行：对象信息，中间用空格隔开。
(1)套筒型号：按照单、双排、梅花布置定义，该型号与训练的分析模型对应；
(2)壁厚：单位：m；
(3)套筒埋深：顶部距测点的最近距离，单位：m；
(4)套筒直径：外径，单位：m。
第3行：各条测试数据信息，中间用空格隔开
(1)测点属性：1：波速标定，2：套筒检测；
(2)传感器-激振点中心位置与最近边缘的距离：底板凸台或侧面，单位：m；
(3)传感器-激振点中心位置与下出浆口中心的距离：单位：m；
(4)传感器-激振点中心位置与上出浆口中心的距离：单位：m；
步骤3.3、对步骤3.2中的数据源文件进行数据解析，得到其目标参数；
步骤3.4、对步骤一和步骤二中所述的测试套筒进行分析，标记每个检测点的灌浆状态，将每个检测点的灌浆状态和步骤3.3中得到的目标参数进行匹配后作为学习数据。
5.根据权利要求4所述的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，所述步骤3.3解析得到的频谱特性参数包括：
T_FFT[0]、T_FFT[1]、T_FFT[2]：信号傅里叶变换后的振幅前3阶极值点；
T_MEM[0]、T_MEM[1]、T_MEM[2]：最大熵处理的幅前3阶极值点；
R_FFT[1]、R_FFT[2]：傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅；
T_MEPS(ms)：标定点的T_MEM[0]基阶平均值；
T_DEPS(ms)：标定点的T_MEM[0]基阶平均值标准差。
6.根据权利要求4所述的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，所述步骤3.4中检测点的灌浆状态包括两个等级，包括健全SOUND和有缺陷DEFECT。
7.根据权利要求4所述的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，所述步骤3.3中的目标参数包括：
T_FFT[0]、T_FFT[1]、T_FFT[2]：信号傅里叶变换后的振幅前3阶极值点；
T_MEM[0]、T_MEM[1]、T_MEM[2]：最大熵处理的幅前3阶极值点；
R_FFT[1]、R_FFT[2]：傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅；
T_FstHfS：首波半波长；
V_VPB(km/s)：测试波速；
VRF(km/s)：标准波速；
Thick(m)：壁厚；
PP-Dia(m)：套筒外径；
PP-TDs(m)：套筒埋深；
DisLB(m)：测试点边界最小距离；
DisLP(m)：测试点中心距入浆口距离；
DisUP(m)：测试点中心距出浆口距离；
T_MEPS(ms)：标定点的T_MEM[0]基阶平均值；
T_DEPS(ms)：标定点的T_MEM[0]基阶平均值标准差。
8.根据权利要求1所述的基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法，其特征在于，所述步骤三中得到的分析模型为贝叶斯网络模型或人工神经元网络模型。
CN201810725241.0A 2018-07-04 2018-07-04 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法 Active CN108844856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810725241.0A CN108844856B (zh) 2018-07-04 2018-07-04 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810725241.0A CN108844856B (zh) 2018-07-04 2018-07-04 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法

Publications (2)

Publication Number Publication Date
CN108844856A true CN108844856A (zh) 2018-11-20
CN108844856B CN108844856B (zh) 2023-08-15

Family

ID=64201310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810725241.0A Active CN108844856B (zh) 2018-07-04 2018-07-04 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法

Country Status (1)

Country Link
CN (1) CN108844856B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109959713A (zh) * 2019-04-25 2019-07-02 南京工业大学 一种套筒灌浆饱满度检测装置和方法
CN111443131A (zh) * 2020-04-26 2020-07-24 广州市市政工程试验检测有限公司 一种钢筋套筒灌浆密实度检测方法
CN111896621A (zh) * 2020-08-03 2020-11-06 重庆建筑工程职业学院 装配式建筑套筒灌浆检测方法
CN114894897A (zh) * 2022-05-11 2022-08-12 郑州大学 基于一维卷积神经网络的套筒灌浆缺陷无损检测方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0954048A (ja) * 1995-08-10 1997-02-25 Taisei Rotetsuku Kk 電磁波による密度測定方法およびその装置
WO2001079831A2 (en) * 2000-04-13 2001-10-25 The Johns Hopkins University Nondestructive detection of reinforcing member degradation
CN102156168A (zh) * 2011-03-04 2011-08-17 赵永贵 一种桥梁预应力孔道注浆缺陷检测方法
CN102818852A (zh) * 2011-06-10 2012-12-12 杭州海儿科技有限公司 一种桥梁预应力孔道灌浆密实度测试方法及系统
CN103018338A (zh) * 2012-12-05 2013-04-03 河海大学 一种基于声发射和神经网络的混凝土无损检测方法
CN105929024A (zh) * 2016-04-21 2016-09-07 安徽省（水利部淮河水利委员会）水利科学研究院 混凝土缺陷智能化检测与定量识别方法
CN106990018A (zh) * 2017-02-28 2017-07-28 河海大学 一种预应力混凝土梁灌浆密实度智能识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0954048A (ja) * 1995-08-10 1997-02-25 Taisei Rotetsuku Kk 電磁波による密度測定方法およびその装置
WO2001079831A2 (en) * 2000-04-13 2001-10-25 The Johns Hopkins University Nondestructive detection of reinforcing member degradation
CN102156168A (zh) * 2011-03-04 2011-08-17 赵永贵 一种桥梁预应力孔道注浆缺陷检测方法
CN102818852A (zh) * 2011-06-10 2012-12-12 杭州海儿科技有限公司 一种桥梁预应力孔道灌浆密实度测试方法及系统
CN103018338A (zh) * 2012-12-05 2013-04-03 河海大学 一种基于声发射和神经网络的混凝土无损检测方法
CN105929024A (zh) * 2016-04-21 2016-09-07 安徽省（水利部淮河水利委员会）水利科学研究院 混凝土缺陷智能化检测与定量识别方法
CN106990018A (zh) * 2017-02-28 2017-07-28 河海大学 一种预应力混凝土梁灌浆密实度智能识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘志豪: "基于冲击回波法灌浆套筒缺陷检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109959713A (zh) * 2019-04-25 2019-07-02 南京工业大学 一种套筒灌浆饱满度检测装置和方法
CN111443131A (zh) * 2020-04-26 2020-07-24 广州市市政工程试验检测有限公司 一种钢筋套筒灌浆密实度检测方法
CN111443131B (zh) * 2020-04-26 2022-11-18 广州市市政工程试验检测有限公司 一种钢筋套筒灌浆密实度检测方法
CN111896621A (zh) * 2020-08-03 2020-11-06 重庆建筑工程职业学院 装配式建筑套筒灌浆检测方法
CN114894897A (zh) * 2022-05-11 2022-08-12 郑州大学 基于一维卷积神经网络的套筒灌浆缺陷无损检测方法、装置及存储介质

Also Published As

Publication number Publication date
CN108844856B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN108844856A (zh) 基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法
Samia et al. Application of the combined method for evaluating the compressive strength of concrete on site
CN102012403B (zh) 超声法检测混凝土构筑物节点内部不密实性缺陷的判定方法
CN108918679A (zh) 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法
CN110133639B (zh) 一种传力杆施工质量检测方法
CN103675920B (zh) 道路基层隐含裂缝深度和水平位置的无损检测方法
CN109190272B (zh) 基于弹性波和机器学习的混凝土结构缺陷检测方法
CN112731377B (zh) 一种介电常数反演方法、路基检测方法和检测系统
CN103091342B (zh) 一种对岩芯样品进行ct扫描分析处理的方法
CN108561126A (zh) 一种确定页岩气储层有机孔隙度的简易方法
US20030131674A1 (en) Pole testing system
CN115616674A (zh) 探地雷达训练数据集模拟扩增与道路无损检测方法及系统
KR100960895B1 (ko) 와전류탐상 데이터 분석방법
CN113216945A (zh) 一种致密砂岩储层渗透性定量评价方法
CN112816557B (zh) 一种缺陷检测方法、装置、设备和存储介质
CN112415092A (zh) 一种古建筑木构件内部残损检测方法
CN105784852A (zh) 一种基于超声ct的混凝土结构质量评价方法
CN110231401A (zh) 一种测点间信息关联方法及土木结构无损检测方法
CN109143232A (zh) 一种预应力混凝土梁无损检测方法
CN113158558B (zh) 一种高速铁路路基连续压实分析方法、装置及分析仪
Liu et al. An improved algorithm for pile damage localization based on complex continuous wavelet transform
CN112731378B (zh) 蚁群遗传联合获取介电常数方法、雷达检测方法和系统
CN114324584B (zh) 一种基于智能算法和超声相控阵技术的钢结构检测方法
CN108226291A (zh) 一种评价复合材料层压结构缺陷超声检出概率的方法
CN108152373A (zh) 基于孔隙尺寸识别的含孔隙复合材料力学性能测量系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant