CN109190272B - 基于弹性波和机器学习的混凝土结构缺陷检测方法 - Google Patents

基于弹性波和机器学习的混凝土结构缺陷检测方法 Download PDF

Info

Publication number
CN109190272B
CN109190272B CN201811068320.5A CN201811068320A CN109190272B CN 109190272 B CN109190272 B CN 109190272B CN 201811068320 A CN201811068320 A CN 201811068320A CN 109190272 B CN109190272 B CN 109190272B
Authority
CN
China
Prior art keywords
fft
concrete structure
mem
point
tsr
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.)
Active
Application number
CN201811068320.5A
Other languages
English (en)
Other versions
CN109190272A (zh
Inventor
吴佳晔
罗技明
李科
杨森
苏亚军
吴波涛
常崟
王红印
刘媛丽
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
Original Assignee
Sichuan Central Inspection Technology Inc
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 filed Critical Sichuan Central Inspection Technology Inc
Priority to CN201811068320.5A priority Critical patent/CN109190272B/zh
Publication of CN109190272A publication Critical patent/CN109190272A/zh
Application granted granted Critical
Publication of CN109190272B publication Critical patent/CN109190272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Abstract

本发明公开了基于弹性波和机器学习的混凝土结构缺陷检测方法，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，进而检测混凝土结构缺陷；信号特征主要利用其频谱特性及频谱累计偏移率，并建立属性以供机器学习；通过获取混凝土结构健全部位的信息反映混凝土力学特性的基准参数；通过对各种结构厚度、工况下健全混凝土结构、有缺陷混凝土结构进行检测，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状态的混凝土结构检测数据进行分析，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，后续不断重复以上步骤，优化分析模型，提高精度。

Description

基于弹性波和机器学习的混凝土结构缺陷检测方法
技术领域
本发明涉及一种检测方法，具体涉及一种基于弹性波和机器学习的混凝土结构缺陷检测方法。
背景技术
混凝土结构为当今使用最广泛且最重要的建筑、土木结构，由其像隧道衬砌这种大面积混凝土结构，在工程中作用为支撑上部结构，其直接影响到隧道施工过程和运营阶段的安全，然而在施工过程中，仍然会有比如偷工减料、施工工艺落后、施工步骤错误或人为疏忽大意等原因导致混凝土结构出现缺陷。
对应隐蔽工程的混凝土结构，在无破坏的前提下要对混凝土结构缺陷进行无损检测目前有较多的检测方法，如冲击弹性波、地质雷达、超声波等等，然而这些测试方法均为得到某一两个目标参数，再结合检测人员的经验加以判断，检测人员根据判断标准再结合经验加以判断，给出结果很难做到判断结果精准化，更别说智能化。
然而随着大数据的不断发展，人工智能已悄然进入了无损检测行业，为了做到对混凝土结构缺陷检测的智能、精准化，结合人工智能进行结果的分析时非常必要的，人工智能不仅可结合多个参数进行结果自动判读，还可再现有数据基础上继续学习，不断提高判读的精确度和准确度。
发明内容
本发明所要解决的技术问题是：混凝土结构缺陷检测精度和准确度低的问题，本发明提供了解决上述问题的基于弹性波和机器学习的混凝土结构缺陷检测方法。
本发明通过下述技术方案实现：
基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，主要包括以下步骤：
A、采用冲击弹性波作为检测媒介，对测试对象的混凝土结构，通过获取健全部位的信号，作为反映混凝土力学特性的基准参数；
B、利用信号的频谱特性及频谱累计偏移率得到信号特征，并建立信号特征属性；
C、通过对各种结构厚度、工况下健全混凝土结构、有缺陷混凝土结构进行检测，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；
D、利用分析模型对未知状态的混凝土结构检测数据进行分析，并对其分析结果进行验证；
E、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；
F、重复步骤A～C，不断优化分析模型，提高预测精度。
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，进而检测混凝土结构缺陷；信号特征主要利用其频谱特性及频谱累计偏移率，并建立属性以供机器学习；对作为测试对象的混凝土结构，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、工况下健全混凝土结构、有缺陷混凝土结构进行检测，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状态的混凝土结构检测数据进行分析，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；后续不断重复以上步骤，优化分析模型，提高精度。
进一步的，所述步骤A中拾取信号特征的方法包括以下步骤：
A1、采集被测物，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；
A2、使用信号接收装置，沿步骤A1检测点逐点采集在结构物内部传播后的信号；
A3、利用现有解析软件将步骤A2采集到的信号进行充分的解析；
A4、对被测物进行分析，标记每个检测点的状态，将每个检测点的状态和步骤A2采集到的信号进行匹配后作为学习数据。
进一步的，所述步骤B中利用其频谱特性及频谱累计偏移率的方法包括以下步骤：
利用现有软件，对测试数据进行频谱分析和累计偏移率计算，得到以下结果参数：
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；
TSR_FFT[0]：全频域FFT基阶周期累计偏移率；
TSR_MEM[0]：厚度频域MEM基阶周期累计偏移率；
TSR_FFT[1]：全频域FFT第2阶周期累计偏移率；
TSR_MEM[1]：厚度频域MEM第2阶周期累计偏移率；
TSR_FFT[2]：全频域FFT第3阶周期累计偏移率；
TSR_MEM[2]：厚度频域MEM第3阶周期累计偏移率。
进一步的，所述步骤A中在被测物上获取健全部位信息的方法，为对所有混凝土结构，使用冲击回波法对已知厚度同等强度的混凝土结构进行波速标定，算出波速。
进一步的，所述步骤C中通过对各种结构厚度、工况下健全混凝土结构、有缺陷混凝土结构进行检测的方法包括以下步骤：
C1、所有结构，均需对混凝土进行波速标定，可利用同时期同强度试块进行波速标定，也可在已知混凝土厚度位置进行波速标定；
C2、在需要进行测试的区域按一定点距、线距进行测区网格布置，测试时，严格标记检测点，区分测线区起点和测线区终点，测试时，按照测点从下往上，测线从左往右的顺序测试。
进一步的，所述步骤A3中每个测点检测的信号包括以下21个参数：
Survey-Area：测点信息，Start：测线区起点；End：测线区终点；
Thick(m)：壁厚；
Dis-Sensor(m)：传感器与测点的间距；
Dis-Boundy(m)：测点到边缘、拐点的距离；
T_FstHfS：首波半波长；
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_RefC(ms)：相关分析底部反射时刻；
TSR_Ref：相关分析底部反射信号幅值与激振信号幅值比；
TSR_FFT[0]：全频域FFT基阶周期累计偏移率；
TSR_MEM[0]：厚度频域MEM基阶周期累计偏移率；
TSR_FFT[1]：全频域FFT第2阶周期累计偏移率；
TSR_MEM[1]：厚度频域MEM第2阶周期累计偏移率；
TSR_FFT[2]：全频域FFT第3阶周期累计偏移率；
TSR_MEM[2]：厚度频域MEM第3阶周期累计偏移率；
所述步骤A3中21个参数中的累计偏移率SRTij由公式：
Figure BDA0001798877170000031
得到
其中，i：累计偏移率第i个参数；j：测点数；
Figure BDA0001798877170000032
上述各时间参数的加权移动平均值，
Figure BDA0001798877170000033
Figure BDA0001798877170000034
为整个测试区间的各时间参数的平均值，
Figure BDA0001798877170000035
当j＜m时，取单纯平均；
k为权重值；
m：移动平均用数据点数，反映局部信息；
N：整个测线数据个数，反映全体信息。
步骤A3的21个参数中，累计偏移率参数的计算通过
Figure BDA0001798877170000041
计算，其作用为查看各时间参数与前一数值的差异率累计，可自动分辨数据突变点以及突变数据个数。
进一步的，所述步骤A4中检测点的状态等级class分为2类，包括健全SOUND和有缺陷DEFECT。
进一步的，所述步骤A中建立的分析模型采用贝叶斯网络和人工神经元网络模型。
进一步的，所述步骤D中利用分析模型对未知状况的混凝土结构检测数据进行分析；测试数据源文件中，建立AOC文件，定义如下：
第1行：解析编码；
第2行：传感器与激振点的间距；
第3行：各测点与边缘、拐点的距离。
本发明具有如下的优点和有益效果：
1、本发明通过21种参数进行特征信息分析，参与目标分析参数多，判断精准，自动化程度高；
2、本发明增加了累计偏移率参数，可自动分辨数据突变点以及突变数据个数；
3、本发明适用范围广，且成本较低，检测过程简洁清楚。
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为本发明二层贝叶斯网络模型示意图。
图2为本发明人工神经元网络模型示意图。
图3为本发明混凝土结构缺陷测点布置图。
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
基于弹性波和机器学习的混凝土结构缺陷检测方法，主要包括以下步骤：
A、采用冲击弹性波作为检测媒介，对测试对象的混凝土结构，通过获取健全部位的信号，作为反映混凝土力学特性的基准参数；
B、利用信号的频谱特性及频谱累计偏移率得到信号特征，并建立信号特征属性；
C、通过对各种结构厚度、工况下健全混凝土结构、有缺陷混凝土结构进行检测，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；
D、利用分析模型对未知状态的混凝土结构检测数据进行分析，并对其分析结果进行验证；
E、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；
F、重复步骤A～C，不断优化分析模型，提高预测精度。
实施时，所述步骤A中拾取信号特征的方法包括以下步骤：
A1、采集被测物，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；
A2、使用信号接收装置，沿步骤A1检测点逐点采集在结构物内部传播后的信号；
A3、利用现有解析软件将步骤A2采集到的信号进行充分的解析；
A4、对被测物进行分析，标记每个检测点的状态，将每个检测点的状态和步骤A2采集到的信号进行匹配后作为学习数据。
所述步骤B中利用其频谱特性及频谱累计偏移率的方法包括以下步骤：
利用现有软件，对测试数据进行频谱分析和累计偏移率计算，得到以下结果参数：
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；
TSR_FFT[0]：全频域FFT基阶周期累计偏移率；
TSR_MEM[0]：厚度频域MEM基阶周期累计偏移率；
TSR_FFT[1]：全频域FFT第2阶周期累计偏移率；
TSR_MEM[1]：厚度频域MEM第2阶周期累计偏移率；
TSR_FFT[2]：全频域FFT第3阶周期累计偏移率；
TSR_MEM[2]：厚度频域MEM第3阶周期累计偏移率。
所述步骤A中在被测物上获取健全部位信息的方法，为对所有混凝土结构，使用冲击回波法对已知厚度同等强度的混凝土结构进行波速标定，算出波速。
所述步骤C中通过对各种结构厚度、工况下健全混凝土结构、有缺陷混凝土结构进行检测的方法包括以下步骤：
C1、所有结构，均需对混凝土进行波速标定，可利用同时期同强度试块进行波速标定，也可在已知混凝土厚度位置进行波速标定；
C2、在需要进行测试的区域按一定点距、线距进行测区网格布置，测试时，严格标记检测点，区分测线区起点和测线区终点，测试时，按照测点从下往上，测线从左往右的顺序测试。
所述步骤A3中每个测点检测的信号包括以下21个参数：
Survey-Area：测点信息，Start：测线区起点；End：测线区终点；
Thick(m)：壁厚；
Dis-Sensor(m)：传感器与测点的间距；
Dis-Boundy(m)：测点到边缘、拐点的距离；
T_FstHfS：首波半波长；
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_RefC(ms)：相关分析底部反射时刻；
TSR_Ref：相关分析底部反射信号幅值与激振信号幅值比；
TSR_FFT[0]：全频域FFT基阶周期累计偏移率；
TSR_MEM[0]：厚度频域MEM基阶周期累计偏移率；
TSR_FFT[1]：全频域FFT第2阶周期累计偏移率；
TSR_MEM[1]：厚度频域MEM第2阶周期累计偏移率；
TSR_FFT[2]：全频域FFT第3阶周期累计偏移率；
TSR_MEM[2]：厚度频域MEM第3阶周期累计偏移率；
所述步骤A3中21个参数中的累计偏移率SRTij由公式：
Figure BDA0001798877170000061
得到
其中，i：累计偏移率第i个参数；j：测点数；
Figure BDA0001798877170000062
上述各时间参数的加权移动平均值，
Figure BDA0001798877170000063
Figure BDA0001798877170000071
为整个测试区间的各时间参数的平均值，
Figure BDA0001798877170000072
当j＜m时，取单纯平均；
k为权重值，可取0.5；
m：移动平均用数据点数，反映局部信息，目前取10；
N：整个测线数据个数，反映全体信息。
步骤A3的21个参数中，累计偏移率参数的计算通过
Figure BDA0001798877170000073
计算，其作用为查看各时间参数与前一数值的差异率累计，可自动分辨数据突变点以及突变数据个数。
所述步骤A4中检测点的状态等级class分为2类，包括健全SOUND和有缺陷DEFECT。
如图1、图2所示，所述步骤A中建立的分析模型采用贝叶斯网络和人工神经元网络模型。
所述步骤D中利用分析模型对未知状况的混凝土结构检测数据进行分析；测试数据源文件中，建立AOC文件，定义如下：
第1行：解析编码；
第2行：传感器与激振点的间距；
第3行：各测点与边缘、拐点的距离；如果后面的数据与前面的数据一致，可省略。
如图3所示，以成都某试验场和福州某实验场进行了混凝土结构缺陷试验测试为例，测试对象为隧道衬砌及其他混凝土结构。
第一步：技术人员在多个工程进行了混凝土结构缺陷试验检测数据收集；收集数据如下表1所示：
表1混凝土结构缺陷测试验证数据一览表(hnt-train)
Figure BDA0001798877170000074
第二步：采用了贝叶斯网络和人工神经元网络建立预测模型，并采用集合学习的方法以进一步提高精度，得到下表2：
表2各种识别模型的精度比较
Figure BDA0001798877170000081
数据采用表2的数据可以看出，采用10折交叉验证(10-fold-Cross-Validation)的精度在95.1～99.8％，而采用完全训练的精度则达到了95.4～100％。对于10折交叉验证，有：
(1)缺陷检出率DDR均在70％以上，对于集合BYN模型，甚至超过90％；
(2)误判缺陷率DMR均在3％以下，对于集合BYN模型，甚至接近0.2％；
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.基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，主要包括以下步骤：
A、采用冲击弹性波作为检测媒介，对测试对象的混凝土结构，通过获取健全部位的信号，作为反映混凝土力学特性的基准参数；
B、利用信号的频谱特性及频谱累计偏移率得到信号特征，并建立信号特征属性；
C、通过对各种结构厚度、工况下健全混凝土结构、有缺陷混凝土结构进行检测，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；
D、利用分析模型对未知状态的混凝土结构检测数据进行分析，并对其分析结果进行验证；
E、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；
F、重复步骤A～C，不断优化分析模型，提高预测精度；
所述步骤B中利用其频谱特性及频谱累计偏移率的方法包括以下步骤：
利用现有软件，对测试数据进行频谱分析和累计偏移率计算，得到以下结果参数：
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；
TSR_FFT[0]：全频域FFT基阶周期累计偏移率；
TSR_MEM[0]：厚度频域MEM基阶周期累计偏移率；
TSR_FFT[1]：全频域FFT第2阶周期累计偏移率；
TSR_MEM[1]：厚度频域MEM第2阶周期累计偏移率；
TSR_FFT[2]：全频域FFT第3阶周期累计偏移率；
TSR_MEM[2]：厚度频域MEM第3阶周期累计偏移率。
2.根据权利要求1所述的基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，所述步骤A中拾取信号特征的方法包括以下步骤：
A1、采集被测物，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；
A2、使用信号接收装置，沿步骤A1检测点逐点采集在结构物内部传播后的信号；
A3、利用现有解析软件将步骤A2采集到的信号进行充分的解析；
A4、对被测物进行分析，标记每个检测点的状态，将每个检测点的状态和步骤A2采集到的信号进行匹配后作为学习数据。
3.根据权利要求1所述的基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，所述步骤A中在被测物上获取健全部位信息的方法，为对所有混凝土结构，使用冲击回波法对已知厚度同等强度的混凝土结构进行波速标定，算出波速。
4.根据权利要求1所述的基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，所述步骤C中通过对各种结构厚度、工况下健全混凝土结构、有缺陷混凝土结构进行检测的方法包括以下步骤：
C1、所有结构，均需对混凝土进行波速标定，可利用同时期同强度试块进行波速标定，也可在已知混凝土厚度位置进行波速标定；
C2、在需要进行测试的区域按一定点距、线距进行测区网格布置，测试时，严格标记检测点，区分测线区起点和测线区终点，测试时，按照测点从下往上，测线从左往右的顺序测试。
5.根据权利要求2所述的基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，所述步骤A3中每个测点检测的信号包括以下21个参数：
Survey-Area：测点信息，Start：测线区起点；End：测线区终点；
Thick(m)：壁厚；
Dis-Sensor(m)：传感器与测点的间距；
Dis-Boundy(m)：测点到边缘、拐点的距离；
T_FstHfS：首波半波长；
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_RefC(ms)：相关分析底部反射时刻；
TSR_Ref：相关分析底部反射信号幅值与激振信号幅值比；
TSR_FFT[0]：全频域FFT基阶周期累计偏移率；
TSR_MEM[0]：厚度频域MEM基阶周期累计偏移率；
TSR_FFT[1]：全频域FFT第2阶周期累计偏移率；
TSR_MEM[1]：厚度频域MEM第2阶周期累计偏移率；
TSR_FFT[2]：全频域FFT第3阶周期累计偏移率；
TSR_MEM[2]：厚度频域MEM第3阶周期累计偏移率；
所述步骤A3中21个参数中的累计偏移率SRTij由公式：
Figure FDA0003934082830000021
得到；
其中，i：累计偏移率第i个参数；j：测点数；
Figure FDA0003934082830000031
上述各时间参数的加权移动平均值，
Figure FDA0003934082830000032
Figure FDA0003934082830000033
为整个测试区间的各时间参数的平均值，
Figure FDA0003934082830000034
当j＜m时，取单纯平均；
k为权重值；
m为移动平均用数据点数，反映局部信息；
N为整个测线数据个数，反映全体信息。
6.根据权利要求2所述的基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，所述步骤A4中检测点的状态等级class分为2类，包括健全SOUND和有缺陷DEFECT。
7.根据权利要求1所述的基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，所述步骤A中建立的分析模型采用贝叶斯网络和人工神经元网络模型。
8.根据权利要求1所述的基于弹性波和机器学习的混凝土结构缺陷检测方法，其特征在于，所述步骤D中利用分析模型对未知状况的混凝土结构检测数据进行分析；测试数据源文件中，建立AOC文件，定义如下：
第1行：解析编码；
第2行：传感器与激振点的间距；
第3行：各测点与边缘、拐点的距离；如果后面的数据与前面的数据一致，可省略。
CN201811068320.5A 2018-09-13 2018-09-13 基于弹性波和机器学习的混凝土结构缺陷检测方法 Active CN109190272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811068320.5A CN109190272B (zh) 2018-09-13 2018-09-13 基于弹性波和机器学习的混凝土结构缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811068320.5A CN109190272B (zh) 2018-09-13 2018-09-13 基于弹性波和机器学习的混凝土结构缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109190272A CN109190272A (zh) 2019-01-11
CN109190272B true CN109190272B (zh) 2023-04-18

Family

ID=64910699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811068320.5A Active CN109190272B (zh) 2018-09-13 2018-09-13 基于弹性波和机器学习的混凝土结构缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109190272B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440728B (zh) * 2019-05-31 2020-09-11 特斯联（北京）科技有限公司 一种探测回波智能分析的建筑结构安全监测方法及系统
CN110346452B (zh) * 2019-07-26 2021-10-26 招商局重庆公路工程检测中心有限公司 一种混凝土结构浅表层质量快速检测方法
CN110569917A (zh) * 2019-09-16 2019-12-13 四川升拓检测技术股份有限公司 基于深度学习图像识别的套筒灌浆密实度判别方法
CN110688806B (zh) * 2019-11-29 2020-04-28 清华四川能源互联网研究院 水工隧洞风险评估方法、装置及终端设备
CN112525998B (zh) * 2020-11-11 2023-04-25 中铁第四勘察设计院集团有限公司 一种墙体质量的检测方法及装置
CN113252791B (zh) * 2021-07-08 2022-04-08 四川升拓检测技术股份有限公司 一种基于小交叉测线布置方式的弹性波层析扫描检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001004604A (ja) * 1999-06-22 2001-01-12 Taiheiyo Cement Corp コンクリート構造物中の欠陥検査方法
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
CN108491931A (zh) * 2018-03-29 2018-09-04 四川升拓检测技术股份有限公司 一种基于机器学习提高无损检测精度的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180179881A1 (en) * 2013-03-12 2018-06-28 Chevron U.S.A. Inc. System and method for detecting structural integrity of a well casing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001004604A (ja) * 1999-06-22 2001-01-12 Taiheiyo Cement Corp コンクリート構造物中の欠陥検査方法
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
CN108491931A (zh) * 2018-03-29 2018-09-04 四川升拓检测技术股份有限公司 一种基于机器学习提高无损检测精度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于冲击回波法的混凝土构件厚度及内部缺陷检测技术研究;刘力博;《天津建设科技》;20161031(第05期);全文 *
基于冲击回波等效波速法的管道压浆密实度无损检测技术研究;马国峰;《铁道建筑》;20170220(第02期);全文 *

Also Published As

Publication number Publication date
CN109190272A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190272B (zh) 基于弹性波和机器学习的混凝土结构缺陷检测方法
CN102928514B (zh) 一种基于频率特征的木材应力波无损检测方法
CN107014668A (zh) 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法
CN111222743B (zh) 一种光纤感知事件的垂直偏移距离及威胁级别判断方法
CN111767897B (zh) 一种基于支持向量机的钢轨裂纹缺陷的识别方法
CN110082429B (zh) 一种结合机器学习的隧道衬砌无损检测的辅助判定方法
CN107167521A (zh) 一种提高识别混凝土缺陷和损伤能力的检测方法
CN105954358B (zh) 一种TR与Duffing系统相结合的超声导波小缺陷定位检测方法
CN104634238A (zh) 测定钢筋保护层厚度的方法及装置
CN108844856B (zh) 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
CN104597083A (zh) 基于超声导波和机电阻抗的移动式损伤检测方法
CN114113332A (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
CN102590341B (zh) 混凝土桩身声透法检测声时同相位波形带追踪的方法
CN106770668B (zh) 一种用于单孔的基桩质量声波透射法检测方法
CN104483389A (zh) 基于组合震源法检测桥梁预应力管道注浆质量的方法
CN110046651A (zh) 一种基于监测数据多属性特征融合的管道状态识别方法
CN111879456B (zh) 一种建筑幕墙安全性检测方法及系统
CN110231401B (zh) 一种测点间信息关联方法及土木结构无损检测方法
CN110333506B (zh) 一种提取索力测量雷达的拉索位置参数的方法
CN112131781A (zh) 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN106501368A (zh) 一种用于基桩检测声波透射法的声测管弯曲现象识别方法
CN116522085A (zh) 一种全自动拉索频率提取、定阶和索力识别方法与应用
CN113158558B (zh) 一种高速铁路路基连续压实分析方法、装置及分析仪
CN113808092A (zh) 钢管混凝土界面脱粘缺陷检测方法、系统、装置及介质
CN110131591B (zh) 管道泄漏的定位方法、装置和设备

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