CN109447026B - 一种基于支持向量机的桩身完整性类别自动识别方法 - Google Patents

一种基于支持向量机的桩身完整性类别自动识别方法 Download PDF

Info

Publication number
CN109447026B
CN109447026B CN201811330056.8A CN201811330056A CN109447026B CN 109447026 B CN109447026 B CN 109447026B CN 201811330056 A CN201811330056 A CN 201811330056A CN 109447026 B CN109447026 B CN 109447026B
Authority
CN
China
Prior art keywords
pile
depth
abnormal degree
continuous measuring
measuring point
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
CN201811330056.8A
Other languages
English (en)
Other versions
CN109447026A (zh
Inventor
陈卫红
管钧
薛忠军
张建龙
李贵文
卫文哲
张子兵
郭昌祚
陈绍坤
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.)
Beijing road engineering quality supervision station
Beijing Zbl Science And Technology Co ltd
Original Assignee
Beijing road engineering quality supervision station
Beijing Zbl Science And Technology Co ltd
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 Beijing road engineering quality supervision station, Beijing Zbl Science And Technology Co ltd filed Critical Beijing road engineering quality supervision station
Priority to CN201811330056.8A priority Critical patent/CN109447026B/zh
Publication of CN109447026A publication Critical patent/CN109447026A/zh
Application granted granted Critical
Publication of CN109447026B publication Critical patent/CN109447026B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于支持向量机的桩身完整性类别自动识别方法，本发明通过对现行的各种行业及地方的基桩检测规程中的桩身完整性类别判定特征进行分析、归纳、总结，提取出了桩型、缺陷径向分布、缺陷的深度位置及缺陷的轴向分布四种共13个可行的特征参量，用于桩身完整性类别的自动识别，识别的结果与人工判断结果基本吻合，能够在实际工程检测中应用推广。

Description

一种基于支持向量机的桩身完整性类别自动识别方法
技术领域
本发明涉及工程检验技术领域，尤其是涉及一种基于支持向量机的桩身完整性类别自动识别方法。
背景技术
随着我国基础建设的蓬勃发展，桩基础在公路及铁路桥梁、港口码头、海上采油平台、高层建筑、重型厂房以至核电站等工程中大量采用。但由于桩基础属于地下隐蔽工程，往往会因为施工工艺不成熟、地质条件复杂、施工队伍水平差、质量量控制不严等因素的影响，导致桩基施工过程中出现缩颈、扩径、裂纹、夹泥、沉渣甚至断桩等质量问题，必须会影响到桩基的承载力，从而影响上部结构的安全性。因此，在桩基施工完成后，对其桩身完整性进行检测成为必然，由于超声透射法具有便捷、迅速、缺陷反映灵敏度高、缺陷检测范围广等优点，从而被广泛用于桩身完整性的检测。
利用超声透射法对基桩完整性进行检测之后，必须对其完整性类别进行判定，并告知相关单位按照判定结果进行相应的处置。现行的各种行业和地方检测规程中，都将桩身完整性类别分为四类(见表1)；对于Ⅰ、Ⅱ类桩，是可以正常使用的；对于Ⅲ类桩，是需要进行加固等处理并复测或经设计验算后再判定是否可使用；对于Ⅳ类桩，是无法正常使用的，需要破除后重新灌注或者补新桩。
如果桩身完整性类别判断错误，将高级别判为低级别，则会造成一定程度的浪费；将低级别判为高级别，则会造成安全隐患，可能会导致上部结构沉降或失稳，所以提高桩身完整性类别判定的准确程度具有重要意义。
表1桩身完整性类别划分
桩身完整性类别 特征
Ⅰ 桩身完整，可正常使用
Ⅱ 桩身基本完整，有轻度缺陷，不影响正常使用
Ⅲ 桩身有明显缺陷，对桩身结构承载力有影响
Ⅳ 桩身有严重缺陷，对桩身结构承载力有严重影响
目前，在现行的各种行业及地方桩基完整性检测规程中，超声透射法都根据各测点信号的物理量(首波声时、幅度和频率、波形)的变化，利用数理统计的方法并结合个人的经验对缺陷位置、缺陷程度进行定性判断，然后根据规程中所列的桩身完整性类别特征，结合个人经验对桩身完整性类别进行判定。这种方法受人的经验因素影响很大，其判断的准确性对检测人员的水平依赖很大，而且也不利于检测的自动化、智能化，显然已不适应现代工程检测需要。
发明内容
本发明的目的在于提供一种基于支持向量机的桩身完整性类别自动识别方法，以解决现有技术中存在的至少一个上述技术问题。
为解决上述技术问题，本发明提供的一种基于支持向量机的桩身完整性类别自动识别方法，包括：采用支持向量机的分析方法对多个特征参量进行了训练和验证后得到识别模型，利用识别模型对桩身完整性类别进行识别；
所述特征参量包括：
1)桩型
桩身按荷载传递机理分为：摩擦桩、端承桩、摩擦端承桩、端承摩擦桩四种桩型；摩擦桩、端承桩、摩擦端承桩和端承摩擦桩的特征参量值分别为0、1、2和3；
2)缺陷径向分布Dp,i
缺陷径向分布(百分比)Dp,i为异常程度指数为1、2或3的连续测点所在剖面数与总剖面数之比,其中，i为异常程度指数值，i为1、2或3；
异常程度指数为1、2和3的缺陷径向分布Dp,i分别为Dp,1、Dp,2和Dp,3；
3)缺陷的深度位置
缺陷的深度位置以缺陷所在深度与桩长之比Hp,i来表征，缺陷所在深度与桩长之比Hp,i为异常程度值为1、2或3的最大连续测点(其中连续测点以及最大连续测点为行业术语，连续测点是指两个以上(含两个)的测点；最大连续测点就是指连续测点数量的最大值)所在位置与桩长之比；
异常程度指数为1、2和3的缺陷所在深度与桩长之比Hp,i分别为Hp,1、Hp,2和Hp,3；
其中，对于摩擦桩来说，缺陷所在的深度位置如果较深，则可以不判或轻判；否则应重判。
4)缺陷的轴向(即深度方向)分布
缺陷的轴向分布用下面两个特征参量来表征：
(1)最大连续测点深度ΔHi
异常程度值为1的最大连续测点深度ΔH1为对所有剖面异常程度值为1的测点进行统计，得到的最大连续测点深度；
异常程度值为2的最大连续测点深度ΔH2为对所有剖面异常程度值为1至2的测点进行统计，得到的最大连续测点深度；
异常程度值为3的最大连续测点深度ΔH3为对所有剖面异常程度值为1至3的测点进行统计，得到的最大连续测点深度；
(2)连续测点总深度Ht,i
异常程度值为1的连续测点总深度Ht,1为对所有剖面异常程度值为1的测点进行统计后得到的多段连续测点深度之和；
异常程度值为2的连续测点总深度Ht,2为对所有剖面异常程度值为1至2的测点进行统计后得到的多段连续测点深度之和；
异常程度值为3的连续测点总深度Ht,3为对所有剖面异常程度值为1至3的测点进行统计后得到的多段连续测点深度之和。
其中，支持向量机SVM(Support Vector Machines)的分析方法是20世纪90年代初Vapnik等人根据统计学习理论提出的一种新的机器学习方法，它以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，对独立测试集的测试误差仍然较小。
支持向量机分析方法的基本思想是：首先，在线性可分情况下，在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下，加入了松弛变量进行分析，通过使用非线性映射将低维输入空间的样本映射到高维属性空间使其变为线性情况，从而使得在高维属性空间采用线性算法对样本的非线性进行分析成为可能，并在该特征空间中寻找最优分类超平面。其次，它通过使用结构风险最小化原理在属性空间构建最优分类超平面，使得分类器得到全局最优，并在整个样本空间的期望风险以某个概率满足一定上界。
其突出的优点表现在：
(1)基于统计学习理论中结构风险最小化原则和VC维理论，具有良好的泛化能力，即由有限的训练样本得到的小的误差能够保证使独立的测试集仍保持小的误差。
(2)支持向量机的求解问题对应的是一个凸优化问题，因此局部最优解一定是全局最优解。
(3)核函数的成功应用，将非线性问题转化为线性问题求解。
(4)分类间隔的最大化，使得支持向量机算法具有较好的鲁棒性。由于SVM自身的突出优势，因此被越来越多的研究人员作为强有力的学习工具，以解决模式识别、回归估计等领域的难题。
基于统计学习理论的支持向量机(SVM)是一种有坚实理论基础的新颖的小样本学习方法，被认为是目前解决小样本的分类问题的最佳方法，可以不象神经网络的结构设计需要依赖于设计者的经验知识和先验知识。与神经网络相比，支持向量机方法具有更坚实的数学理论基础，可以有效地解决有限样本条件下的高维数据模型构建问题，并具有泛化能力强、收敛到全局最优、维数不敏感等优点。
进一步地，训练和验证前分别采集Ⅰ、Ⅱ、Ⅲ和Ⅳ类缺陷桩的所述特征参量的数据样本。
其中，利用特征参量进行了训练和验证后得到的识别模型为现有技术，将所述的特征参量输入现有的建模软件中，建模软件可依照设定的数值分析方法(本发明采用的是支持向量机的方法)获得模型文件，运行模型文件后并输入工程桩的特征参量可自动识别工程桩的桩身完整性类别。
具体而言，支持向量机的分析方法为：采用LibSVM工具包(为现有技术)，利用工具包中的相关函数对特征参量的数据样本进行训练和验证，得到识别桩身完整性类别自动识别的模型文件，然后利用该模型文件，使用LibSVM工具包的预测函数，输入工程桩的特征参量，对其桩身完整性类别进行自动识别。
进一步地，训练和验证时，利用若干种不同的寻找最优参数的方法得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果，选取预测结果最优的寻找最优参数的方法和函数(多项式核函数或者径向基核函数)进行构建所述识别模型。
进一步地，利用径向基核函数对所述数据样本进行训练及预测。
进一步地，使用easy.py(LibSVM工具包)及径向基核函数进行训练与预测。
采用上述技术方案，本发明具有如下有益效果：
本发明通过对现行的各种行业及地方的基桩检测规程中的桩身完整性类别判定特征进行分析、归纳、总结，提取出了四种(桩型、缺陷径向分布、缺陷的深度位置及缺陷的轴向分布)共13个可行的特征参量，用于桩身完整性类别的自动识别，识别的结果与人工判断结果基本吻合，能够在实际工程检测中应用推广。
附图说明
图1为本发明实施例中Ⅰ类3-0#桩的识别曲线图；
图2为本发明实施例中Ⅰ类5-2#桩的识别曲线图；
图3为本发明实施例中Ⅰ类1-37#桩的识别曲线图；
图4为本发明实施例中Ⅱ类0-15#桩的识别曲线图；
图5为本发明实施例中Ⅲ类L3-5#桩的识别曲线图；
图6为本发明实施例中Ⅲ类Y9-4#桩的识别曲线图；
图7为本发明实施例中Ⅳ类MX446-2#桩的识别曲线图；
图8为本发明实施例中Ⅳ类2-8#桩的识别曲线图。
具体实施方式
下面结合具体的实施方式对本发明做进一步的解释说明。
本实施例提供的本发明提供的一种基于支持向量机的桩身完整性类别自动识别方法，包括：采用支持向量机的分析方法对多个特征参量进行了训练和验证后得到识别模型，利用识别模型对桩身完整性类别进行识别；
所述特征参量包括：
1)桩型
桩身按荷载传递机理分为：摩擦桩、端承桩、摩擦端承桩、端承摩擦桩四种桩型；摩擦桩、端承桩、摩擦端承桩和端承摩擦桩的特征参量值分别为0、1、2和3；
2)缺陷径向分布Dp,i
缺陷径向分布(百分比)Dp,i为异常程度指数为1、2或3的连续测点所在剖面数与总剖面数之比,其中，i为异常程度指数值，i为1、2或3；
异常程度指数为1、2和3的缺陷径向分布Dp,i分别为Dp,1、Dp,2和Dp,3；
3)缺陷的深度位置
缺陷的深度位置以缺陷所在深度与桩长之比Hp,i来表征，缺陷所在深度与桩长之比Hp,i为异常程度值为1、2或3的最大连续测点所在位置与桩长之比；
异常程度指数为1、2和3的缺陷所在深度与桩长之比Hp,i分别为Hp,1、Hp,2和Hp,3；
其中，对于摩擦桩来说，缺陷所在的深度位置如果较深，则可以不判或轻判；否则应重判。
4)缺陷的轴向(即深度方向)分布
缺陷的轴向分布用下面两个特征参量来表征：
(1)最大连续测点深度ΔHi
异常程度值为1的最大连续测点深度ΔH1为对所有剖面异常程度值为1的测点进行统计，得到的最大连续测点深度；
异常程度值为2的最大连续测点深度ΔH2为对所有剖面异常程度值为1至2的测点进行统计，得到的最大连续测点深度；
异常程度值为3的最大连续测点深度ΔH3为对所有剖面异常程度值为1至3的测点进行统计，得到的最大连续测点深度；
(2)连续测点总深度Ht,i
异常程度值为1的连续测点总深度Ht，1为对所有剖面异常程度值为1的测点进行统计后得到的多段连续测点深度之和；
异常程度值为2的连续测点总深度Ht,2为对所有剖面异常程度值为1至2的测点进行统计后得到的多段连续测点深度之和；
异常程度值为3的连续测点总深度Ht,3为对所有剖面异常程度值为1至3的测点进行统计后得到的多段连续测点深度之和。
其中，训练和验证前分别采集Ⅰ、Ⅱ、Ⅲ和Ⅳ类缺陷桩的所述特征参量的数据样本。
训练和验证时，利用若干种不同的寻找最优参数的方法得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果，选取预测结果最优的寻找最优参数的方法和函数(多项式核函数或者径向基核函数)进行构建所述识别模型。
其中优选地利用径向基核函数对所述数据样本进行训练及预测。更为优选地则使用easy.py及径向基核函数进行训练与预测。
本发明通过对现行的各种行业及地方的基桩检测规程中的桩身完整性类别判定特征进行分析、归纳、总结，提取出了四种(桩型、缺陷径向分布、缺陷的深度位置及缺陷的轴向分布)共13个可行的特征参量，用于桩身完整性类别的自动识别，识别的结果与人工判断结果基本吻合，能够在实际工程检测中应用推广。
以下结合实验数据进行说明识别方法。
S1.特征参量提取
对基地的10根模型桩及收集到的Ⅲ、Ⅳ类缺陷桩、实际工程中随机抽取的Ⅰ、Ⅱ类桩，共200根桩进行特征参量提取，最后得到参量文件Grade.txt，包含400组样本数据。
手动编辑特征参量文件，对200根桩的桩身完整性类别进行人工识别，然后将识别结果(1、2、3、4分别对应Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类)加到每组数据的最前面。得到参量文件格式如下：
类别1:桩型2:ΔH13:Hp,14:Dp,15:Ht,16:ΔH27:Hp,28:Dp,29:Ht,210:ΔH311:Hp,312:Dp,313:Ht,3。
人工标记完成后，得到Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类桩的样本数量分别为207、55、97、41。
S2.训练与预测
样本数据准备好之后，接下来进行训练与预测。使用不同数量的训练及测试数据样本，得到的预测效果也会不同；相同数量的训练及测试样本，如果使用不同的方法寻找最优参数，或者使用不同的核函数，得到的预测效果也会不同；为此，需要对上述各种情况进行训练与预测，然后对预测的效果进行对比，从而筛选出一种寻找最优参数的方法及最优的核函数。
将样本数据中不同数量的数据提取出来作为训练和预测数据，利用不同的寻找最优参数的方法，得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果，详见表1。
表1训练及预测结果对比表
Figure GDA0002760037060000091
Figure GDA0002760037060000101
通过对表中的训练及预测结果进行比较，可以发现：
在多个不同数量的训练及预测样本情况下，使用多项式核函数进行训练及预测得到的准确率大部分低于使用径向基核函数进行训练及预测得到的准确率，也就是说，径向基核函数更适合于对样本进行训练及预测；
在多个不同数量的训练及预测样本情况下，使用easy.py进行训练与验证得到的准确率与使用grid.py及径向基核函数进行训练与验证得到的准确率相近，大多数情况下，前者要略胜一筹。也就是说，使用easy.py及径向基核函数进行训练与验证要稍优。
在多个不同数量的训练及预测样本情况下，使用easy.py及径向基核函数进行训练与预测得到的准确率均在74％～96％之间，准确率偏低，可能与样本数量太少，特别是3、4类桩的样本数太少有关。
通过观察不同情况下训练与验证的准确率平均值、差值的绝对值可以发现，第5种情况下平均值较大且差值的绝对值较小，是最优的一种情况。
S3.SVM桩身完整性类别识别在桩基检测中应用
在MFC程序中，使用训练得到的模型文件PileGrade.model文件，调用LibSVM中的相关函数对基桩的完整性等级进行自动分类。
首先由人工对基地10根模型桩及收集到的Ⅲ、Ⅳ类缺陷桩、实际工程中随机抽取的Ⅰ、Ⅱ类桩(共200根)进行完整性分类，然后利用程序对其进行自动识别，分类结果见表2，表中正确率是将自动识别的桩基数除以人工分类的桩基总数。从表中可以看出，对于Ⅰ类、Ⅳ类桩的自动识别结果与人工分类结果比较接近，也就是正确率较高，达到96％以上，而对于Ⅱ类、Ⅲ类桩的自动识别结果与人工分类结果相差较大，正确率较低。
表2完整性分类结果表
1类 2类 3类 4类
人工分类 109 23 49 19
自动识别 105 18 44 19
正确率(％) 96.3 78.3 89.8 100.0
为了提高完整性分类的准确率，必须收集更多的缺陷桩基检测数据，然后再进行特征的提取、标记，获得更多的训练及验证的数据样本，不断地完善模型文件。
以下仅分别列出桩身完整性自动识别为Ⅰ、Ⅱ、Ⅲ、Ⅳ类桩各两根的曲线图。图1和图2分别示出的两根桩的所有剖面的所有测点的声速、幅度均大于临界值，异常程度指数值均为零，桩身不存在缺陷，故判为Ⅰ类桩。
图3和图4分别示出的两根桩的部分剖面的个别测点的声速、幅度低于临界值，异常程度指数值为1或2，桩身个别测点存在轻微或明显缺陷，但由于测点数少且不连续，故判为Ⅱ类桩。
如图5所示，L3-5#桩的1-2、2-3剖面桩底1米以内测点的声速、幅度均低于临界值、异常程度指数为3，1-3剖面桩底0.6米以内测点声速、幅度均低于临界值、异常程度指数为2，桩底沉渣过厚，故判为Ⅲ类桩。
如图6所示，Y9-4#桩1-2、2-3剖面均在14.2～14.8m位置声速、幅度均低于临界值、异常程度指数为1或3，桩身局部存在严重缺陷但未形成断桩，故判为Ⅲ类桩。
如图7所示，MX446-2#桩的所有剖面均在多个高度位置出现声速、幅度明显低于临界值，异常程度指数值为3的连续测点，桩身存在严重缺陷，故判为Ⅳ类桩。如图8所示，2-8#桩的3个剖面均在17.0～18.0m声速、幅度明显低于临界值，异常程度指数为3，桩底沉渣过厚，故判为Ⅳ类桩。
通过对200根桩身完整性类别不同的桩基的13个特征参量进行提取与标识，获得了400组数据样本，然后针对不同数量的训练及验证数据样本、不同的寻找最优参数的方法、不同的核函数进行了训练与验证对比分析，最终得出在训练样本数量为275时，使用径向基核函数进行训练与验证得到的效果最优。后面利用训练得到的模型文件，编制了相应的桩身完整性类别自动识别软件，对10根模型桩及190根工程桩的检测数据进行桩身完整性类别识别验证，得到每根桩的完整性类别，识别的结果与人工判断结果基本吻合，能够在实际工程检测中应用推广。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于支持向量机的桩身完整性类别自动识别方法，其特征在于，包括：采用支持向量机的分析方法对多个特征参量进行了训练和验证后得到识别模型，利用识别模型对桩身完整性类别进行识别；
所述特征参量包括：
1)桩型
桩身按荷载传递机理分为：摩擦桩、端承桩、摩擦端承桩、端承摩擦桩四种桩型；摩擦桩、端承桩、摩擦端承桩和端承摩擦桩的特征参量值分别为0、1、2和3；
2)缺陷径向分布Dp，i
缺陷径向分布Dp，i为异常程度指数为1、2或3的连续测点所在剖面数与总剖面数之比，其中，i为异常程度指数值，i为1、2或3；
异常程度指数为1、2和3的缺陷径向分布Dp，i分别为Dp，1、Dp，2和Dp，3；
3)缺陷的深度位置
缺陷的深度位置以缺陷所在深度与桩长之比Hp，i来表征，缺陷所在深度与桩长之比Hp，i为异常程度值为1、2或3的最大连续测点所在位置与桩长之比；
异常程度指数为1、2和3的缺陷所在深度与桩长之比Hp，i分别为Hp，1、Hp，2和Hp，3；
4)缺陷的轴向分布
缺陷的轴向分布用下面两个特征参量来表征：
(1)最大连续测点深度ΔHi
异常程度值为1的最大连续测点深度ΔH1为对所有剖面异常程度值为1的测点进行统计，得到的最大连续测点深度；
异常程度值为2的最大连续测点深度ΔH2为对所有剖面异常程度值为1至2的测点进行统计，得到的最大连续测点深度；
异常程度值为3的最大连续测点深度ΔH3为对所有剖面异常程度值为1至3的测点进行统计，得到的最大连续测点深度；
(2)连续测点总深度Ht，i
异常程度值为1的连续测点总深度Ht，1为对所有剖面异常程度值为1的测点进行统计后得到的多段连续测点深度之和；
异常程度值为2的连续测点总深度Ht，2为对所有剖面异常程度值为1至2的测点进行统计后得到的多段连续测点深度之和；
异常程度值为3的连续测点总深度Ht，3为对所有剖面异常程度值为1至3的测点进行统计后得到的多段连续测点深度之和。
2.根据权利要求1所述的基于支持向量机的桩身完整性类别自动识别方法，其特征在于，训练和验证前分别采集I、II、III和IV类缺陷桩的所述特征参量的数据样本。
3.根据权利要求1所述的基于支持向量机的桩身完整性类别自动识别方法，其特征在于，训练和验证时，利用若干种不同的寻找最优参数的方法得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果，选取预测结果最优的寻找最优参数的方法和函数进行构建所述识别模型。
4.根据权利要求2所述的基于支持向量机的桩身完整性类别自动识别方法，其特征在于，利用径向基核函数对所述数据样本进行训练及预测。
5.根据权利要求4所述的基于支持向量机的桩身完整性类别自动识别方法，其特征在于，使用easy.py及径向基核函数进行训练与预测。
CN201811330056.8A 2018-11-09 2018-11-09 一种基于支持向量机的桩身完整性类别自动识别方法 Active CN109447026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811330056.8A CN109447026B (zh) 2018-11-09 2018-11-09 一种基于支持向量机的桩身完整性类别自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811330056.8A CN109447026B (zh) 2018-11-09 2018-11-09 一种基于支持向量机的桩身完整性类别自动识别方法

Publications (2)

Publication Number Publication Date
CN109447026A CN109447026A (zh) 2019-03-08
CN109447026B true CN109447026B (zh) 2020-12-29

Family

ID=65551519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811330056.8A Active CN109447026B (zh) 2018-11-09 2018-11-09 一种基于支持向量机的桩身完整性类别自动识别方法

Country Status (1)

Country Link
CN (1) CN109447026B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427633A (zh) * 2019-05-05 2019-11-08 东南大学 一种基于深度强化学习的水泥搅拌桩质量评估方法
CN112418266A (zh) * 2020-10-15 2021-02-26 南昌大学 一种基于卷积神经网络的桩基础完整性分类识别方法
CN117493858B (zh) * 2023-12-29 2024-03-26 湖北神龙工程测试技术有限公司 基于人工智能的基桩完整性识别方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080131211A1 (en) * 2004-07-13 2008-06-05 Nesmith Willie M Installation effort deep foudnation method
CN101226170A (zh) * 2007-12-26 2008-07-23 广东省建筑工程集团有限公司 基桩声波透射法检测数据综合评判方法
CN101654914B (zh) * 2009-07-21 2011-06-08 武汉中岩科技有限公司 一种层析成像基桩声波透射法现场检测控制方法及装置
CN102313778B (zh) * 2011-07-27 2013-07-17 北京市康科瑞工程检测技术有限责任公司 一种声波透射法基桩完整性检测装置及其采用的检测方法
KR101571359B1 (ko) * 2013-12-25 2015-11-25 주식회사 포스코 강관기둥과 콘크리트 기초파일의 접합구조
CN204212188U (zh) * 2014-10-31 2015-03-18 广东省建筑科学研究院集团股份有限公司 一种检测混凝土基桩桩身完整性及混凝土结构质量的装置
CN105297790A (zh) * 2015-10-26 2016-02-03 四川省建筑科学研究院 一种既有工程桩桩身完整性及缺陷类型判别方法
CN107025357A (zh) * 2017-04-19 2017-08-08 浙江工业大学 基于支持向量机的船撞桥桩基损伤识别方法

Also Published As

Publication number Publication date
CN109447026A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109447026B (zh) 一种基于支持向量机的桩身完整性类别自动识别方法
CN112529341B (zh) 一种基于朴素贝叶斯算法的钻井漏失机率预测方法
CN110110768A (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN111914457B (zh) 一种输电线路塔基边坡稳定性判别方法、装置和存储介质
CN112668802A (zh) 一种基于设计参数的施工碳排放预测方法
CN115147208A (zh) 一种基于人工智能的供应链金融信用风险评价方法及系统
CN108562639B (zh) 一种埋地钢质管道全生命周期缺陷外检测方法
CN110619691B (zh) 一种板坯表面裂纹的预测方法及装置
Song et al. Outlier detection based on multivariable panel data and K-means clustering for dam deformation monitoring data
CN115983669A (zh) 一种简化河湖地表水水质评价的方法与系统
CN105719065B (zh) 一种复杂油藏储量品质分类综合评价方法
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN114580940A (zh) 基于灰色关联度分析法的注浆效果模糊综合评价方法
CN108197254A (zh) 一种基于近邻的数据修复方法
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
CN114912372B (zh) 一种基于人工智能算法的高精度充填管路故障预警方法
CN108229541B (zh) 一种基于k最近邻算法的岸桥中拉杆应力数据分类方法
CN114547796B (zh) 一种基于优化bn网络的球磨机特征融合故障诊断方法
CN113298148B (zh) 一种面向生态环境评价的不平衡数据重采样方法
CN116384732A (zh) 场站管道风险智能评估方法、系统、存储介质及计算设备
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN106525716B (zh) 一种钢管套管接箍连接的关键点自动检测方法
CN107122609A (zh) 一种基于质量特性基因理论的机电产品质量评价方法
CN109214089A (zh) 一种桥梁结构健康监测指标的隶属度评估方法
CN114595753A (zh) 面向数据稀缺场景的综合供能服务站油气回收系统故障检测方法

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