CN112731377A - 一种介电常数反演方法、路基检测方法和检测系统 - Google Patents
一种介电常数反演方法、路基检测方法和检测系统 Download PDFInfo
- Publication number
- CN112731377A CN112731377A CN202011470849.7A CN202011470849A CN112731377A CN 112731377 A CN112731377 A CN 112731377A CN 202011470849 A CN202011470849 A CN 202011470849A CN 112731377 A CN112731377 A CN 112731377A
- Authority
- CN
- China
- Prior art keywords
- neural network
- inversion
- ant colony
- radar
- dielectric constant
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 117
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000000149 penetrating effect Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 8
- 238000009659 non-destructive testing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000000295 complement effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 239000010426 asphalt Substances 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 206010033425 Pain in extremity Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/006—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种介电常数反演方法、路基检测方法和检测系统。一种GPR神经网络蚁群联合介电常数反演方法，包括步骤：S1、生成具有雷达电磁波地下传播规律的若干模拟样本，使用若干所述模拟样本对所述神经网络模型进行训练，得到应用神经网络；S2、根据所述应用神经网络在训练过程中的模拟样本输入和网络计算输出的关系构建回归曲面；S3、利用蚁群优化算法对所述应用神经网络进行优化处理，根据获得的最优解得到反演神经网络；S4、使用蚁群算法结合所述反演神经网络进行结构层介电特性的反演，输出介电常数。本发明在获取目标物的各层介电常数时，将神经网络和蚁群算法相结合，做到优势互补，从而可以快速、高效、精准的得到结构层的介电常数。
Description
技术领域
本发明涉及雷达检测领域，尤其涉及一种介电常数反演方法、路基检测方法和检测系统。
背景技术
近年来我国的公路尤其是高速公路建设突飞猛进。在我国公路建设快速发展的同时，存在的不合理性也逐渐显现。公路部门用于公路新建、扩建的投资比重过大而用于公路养护方面的投资较少。对于公路质量状况的检评重视不够，尤其是在公路路面结构质量状况检测方面缺少有效的方法和手段。
传统的取芯检测虽然准确，但是对路面有破坏，而且检测结果不全面，没有代表性。目前，探地雷达在道路工程中得到了广泛的应用，特别是在结构层厚度检测方面取得了丰硕的成果。事实上，探地雷达电磁回波信息非常丰富。探地雷达(Ground PenetratingRadar，简称GPR)(见图1)作为一种用于确定地下介质分布的广谱电磁技术，由于其具有高效、快速、连续、无损伤、低成本和高分辨率成像等特点，目前已成为道路无损检测技术的重要组成部分，并代表了结构层厚度、压实度、含水量或沥青含量等重要工程质量控制指标检测技术的发展方向，在快速、连续、无破损检测道路性能指标方面显示出广阔的应用前景和巨大的社会和经济效益。
理论上，探地雷达还可以检测压实度、孔隙率、含水量或沥青含量等指标。基于介电常数研究压实度、孔隙率、含水量或沥青含量等指标的理论依据在于这些指标和结构层材料介电常数之间存在着内在本质的联系。国内外围绕介电常数与这些指标之间的关系开展了不少研究。现有的研究主要是通过大量的室内及室外试验来建立介电常数与这些指标的相关关系，即在现场钻取大量的芯样，在实验室中对这些芯样的压实度、孔隙率、沥青含量等进行测定，然后将实验室测定结果与探地雷达的介电常数检测结果做回归分析，从而找出它们之间的相关关系，并将这个相关关系应用于全线数据分析中。显然，这种通过破坏性钻芯试验获取介电常数与检测指标的相关关系，并在此基础上基于探地雷达检测数据进而获得压实度、孔隙率、沥青含量等指标的分析方法，属于部分无损检测。不同的道路材料类型及配比，其介电常数与这些指标之间的相关关系是不一样的。因此，利用上述方法得到的相关关系并无通用性。且将有限芯样获取的相关关系应用于全线分析，即以点代线，不能很好地反映全线的实际情况，即代表性不足。以上局限性使得目前利用探地雷达无损、快速、连续检测压实度、孔隙率、沥青含量等指标的研究仍处于尝试和探索阶段，取得的成果尚未在工程中广泛应用，探地雷达的工程应用价值未被充分发挥出来。通常我们用宏观(或有效)介电常数表征复合材料的介电常数。
传统的人工养护方式，路上作业危险性大，且难以发现路面结构层内部的病害隐患。以钻孔取芯为代表的传统检测方法，按照规范随机选点、钻孔取样进行分析处理，从而获得道路质量状况参数。但是，这些常规方法由于随机选择检测点，因而检测结果随机性大、检测深度有限而难以发现路面结构层内部病害隐患，通常只有等到道路病害影响到路面时才会被发现，检测效率低、安全性差、影响交通而且对公路具有一定的破坏作用。由于缺少有效的检测手段，不能预先发现和查明公路内部病害隐患的分布状况和严重程度，也就难于监控和评估路面质量状况，并有针对性地制定处理措施，只能“头痛医头脚痛医脚”难以根治病害。这显然已不能适应现代高速公路飞速发展的需要。
为此，急需发展快速、简便、有效的公路检测技术并在此基础上形成的公路路面结构内部质量状况综合评价方法；探地雷达在进行路基检测中主要是通过雷达波的折射-反射的原理来进行的。如果路基的某个层次中出现了一定的空洞问题，雷达波的传播就会存在明显的异常。应该说只要知道反射界面上的反射系数，并且已知上一层介质的介电常数，则必能求出下一层的介电常数。但是由于电磁波在传播过程中衰减的影响，在计算第二层介电常数时，采用不同的假定和修正。但是避开电磁波传播的本质，采用简化修正计算，导致钻心标定不可缺少。引起路面雷达测试误差的原因是多方面的，由于路面材料的非均匀性，反射界面的介电特性很难代表整个结构层的介电特性也是原因之一。
专利号ZL 201010022673.9的专利文献公开了一种基于神经网络与智能算法的裂纹形状量化评价方法，用于对自然裂纹涡流检测信号进行定量解释。包括如下几个基本步骤：1)构建作为正向模型的神经网络；2)制作一定数量自然裂纹试块；3)用涡流检测仪检测试块中的裂纹并提取涡流检测信号的特征值；4)对试块中的裂纹进行破坏性检测，获得每个裂纹的真实形状；5)用裂纹真实形状与涡流检测信号特征值作为输入、输出训练神经网络；6)将待反演形状的裂纹初始形状估计值输入经过训练的神经网络，输出预测的信号特征值，将预测信号特征值与用涡流检测仪测量信号特征值进行比较。利用本发明进行裂纹缺陷量化评价，可以避免常规方法时间花费太多的不足，快速实现对自然裂纹形状的重构。但是，此方法还不能直接有效的解决上述问题。
因而现有的路基质量检测领域存在不足，还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种介电常数反演方法、路基检测方法和检测系统，能够快速得到目标物的各层介电常数，实现无损检测目标物的内部结构。
为了达到上述目的，本发明采取了以下技术方案：
一种GPR神经网络蚁群联合介电常数反演方法，包括步骤：
S1、构建标准神经网络模型和正演模型，使用所述正演模型生成具有雷达电磁波地下传播规律的若干模拟样本，使用若干所述模拟样本对所述神经网络模型进行训练，得到应用神经网络；
S2、根据所述应用神经网络在训练过程中的模拟样本输入和网络计算输出的关系构建回归曲面；
S3、利用蚁群优化算法对所述应用神经网络进行优化处理，根据获得的最优解得到反演神经网络；
S4、获取雷达检测目标物的实测信号，使用蚁群算法结合所述反演神经网络根据所述实测信号进行目标物结构层介电特性的反演，输出介电常数。
优选的，所述的GPR神经网络蚁群联合介电常数反演方法，所述模拟样本的获得步骤为：
构建的所述正演模型具有公路结构层物理模型和雷达电磁波传播模型，将所述公路结构层物理模型和所述雷达电磁波传播模型耦合；
模拟雷达电磁波在公路结构层上的传播规律，根据所述雷达电磁波的输入量计算回波反馈量，模拟探底雷达响应得到所述模拟样本。
优选的，所述的GPR神经网络蚁群联合介电常数反演方法，在步骤S1中，所述标准神经网络模型训练时，需要为所述标准神经网络设定权重w和偏置b，通过所述模拟样本中的雷达电磁波的输入量和回波反馈量对所述权重w和所述偏置b进行调整，最终得到所述应用神经网络。
优选的，所述的GPR神经网络蚁群联合介电常数反演方法，所述步骤S3，具体包括步骤：
S31、在输入参数解空间，随机生成若干输入参数；
S32、将若干所述输入参数输入到所述正演模型中，得到若干期望值；
S33、将若干所述输入参数和各自对应的所述期望值输入到所述应用神经网络中，对所述应用神经网络进行再训练；
S34、利用所述蚁群算法在所述输入参数解空间获取最优输入参数，对使用步骤S33再训练后的所述应用神经网络进行求解，判定是否为最优应用神经网络，若是，则确定为反演神经网络；若否，则执行步骤S35；
S35、在所述输入参数解空间中，找到所述最优输入参数附近的多个输入参数，执行步骤S32。
优选的，所述的GPR神经网络蚁群联合介电常数反演方法，所述步骤S4具体包括：
S41、利用所述反演神经网络以蚁群算法进行公路结构层介电特性的反演迭代，并输出反演结果；
S42、判定反演结果是否收敛，若是，则直接输出反演结果；若否，则执行步骤S43；
S43、判定反演迭代是否符合迭代条件，若是，则输出所述反演结果，并具体显示迭代次数或所述最佳适应度；如否，则执行步骤S41。
优选的，所述的GPR神经网络蚁群联合介电常数反演方法，所述迭代条件为反演迭代次数大于预定次数或为反演迭代的最佳适应度大小达到最大值的95％。
一种使用所述的GPR神经网络蚁群联合介电常数反演方法的路基无损检测方法，将反演神经网络加载到探地雷达设备中，包括步骤：
使用探地雷达设备对待检测的路基进行雷达电磁波发送，同时接收回波反馈数据；
利用所述反演神经网络根据所述雷达电磁波和所述回波反馈数据，对路基结构层进行反演，输出结构层数据。
优选的，所述的路基无损检测方法，所述结构层数据的输出形式包括可视化演示、可读数据展示。
一种雷达检测系统，包括探底雷达设备和主机，配合实现权利要求7或8的路基无损检测方法。
一种计算机可读介质，存储有计算机程序，所述计算机程序在被处理器运行时，能够实现权利要求1-5任一所述的GPR神经网络蚁群联合介电常数反演方法。
相较于现有技术，本发明提供的一种介电常数反演方法、路基检测方法和检测系统，达到的有益效果为：
1)本发明在获取目标物的各层介电常数时，将神经网络和蚁群算法相结合，做到优势互补，减少反演过程的不确定性，提高反演效率，从而可以快速、高效、精准的得到结构层的介电常数；
2)本发明基于获取得到的目标物的各层结构的介电常数，即可得到目标物内部结构情况，实现对于目标物内部缺陷的无损检测。
附图说明
图1是本发明提供的GPR神经网络蚁群联合介电常数反演方法流程图；
图2是本发明提供的模拟样本的获得步骤流程图；
图3是本发明提供的GPR神经网络蚁群联合介电常数反演方法中步骤S3的详细步骤流程图；
图4是本发明提供的GPR神经网络蚁群联合介电常数反演方法中步骤S4的详细步骤流程图；
图5是本发明提供的路基无损检测方法流程图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅附图1，本发明提供一种GPR神经网络蚁群联合介电常数反演方法，包括步骤：
S1、构建标准神经网络模型和正演模型，使用所述正演模型生成具有雷达电磁波地下传播规律的若干模拟样本，使用若干所述模拟样本对所述神经网络模型进行训练，得到应用神经网络；所述正演模型使用正演模拟方法得到模拟样本，又称为回波模拟合成，即通过研究雷达电磁波在地下介质中传播规律，构建雷达波的传播模型，从而模拟雷达回波，即模拟地下介质对雷达的响应；同样的，所述标准神经网络的构建不做具体限定，当然在使用前，对所述标准神经网络的每个神经元随机权重和偏置，通过若干所述模拟样本对所述标准神经网络进行训练过程，即通过标准神经网络计算的结果与所述模拟样本的输出值进行对比，进而知道所述标准神经网络的计算结果是否正确和误差大小，根据所述误差大小调整所述标准神经网络的权重和偏置，在经过若干次训练并对网络参数(权重和偏置)调整后得到所述应用神经网络；所述模拟样本具有地下介质的介电常数、雷达的发射信号和反射信号，其中所述反射信号机所述模拟样本的输出值。应当说明的是，在所述正演模型构建的地下介质层的介电常数是标准数值。
S2、根据所述应用神经网络在训练过程中的模拟样本输入和网络计算输出的关系构建回归曲面；具体的，所述回归曲面是在构建二重线性回归模型时，引入两个自变量的平方项和较差乘积项，所述二重线性回归模型实际上是三维空间中的一个二次曲面，也即回归曲面，所述回归曲面的纵轴代表因变量(或相应变量)；使用目标函数在回归曲面上必然可以找到一个最优点，对于求最小值问题(使用相应的目标函数)，最优点为回归曲面的低谷，对于求最大值问题(使用相应的目标函数)，最优点为回归曲面的高峰，在模拟样本足够多的情况下，必然能够反映原始曲面的变化规律，此时回归曲面就可以代替原始曲面做最优解计算。
S3、利用蚁群优化算法对所述应用神经网络输出所述回归曲面进行优化处理，根据获得的最优解得到反演神经网络；此处，应当说明的是，本步骤需要对所述应用神经网络进行二次优化，进而得到最优的反演神经网络。所述最优反演神经网络用于根据探底雷达的发射信号和反射信号，在基于所述正演模型中的地下介质结构的介电常数得到目标检测物的机构层的介电常数，例如，公路路基结构层的介电常数。
S4、获取雷达检测目标物的实测信号，使用蚁群算法结合所述反演神经网络根据所述实测信号进行目标物结构层介电特性的反演，输出介电常数。
具体的，在对路基的结构层进行相应的检测时，需要检测设备能够针根据输出雷达电磁波和检测反馈值进行判定路基的结构层是否合格，因此，需要有一个能够快速根据检测反馈值反演出结构层的整体数据，同时输出结构层的介电特性，输出介电常数，进而能够方便其他设备获取并利用所述介电常数进行相应的后续操作。因此，在检测之前，需要对检测的标准进行设定，本发明提供的介电常数反演方法就是构建能够快速反应的检测系统的方法，主旨流程是构建深度学习神经网络，对神经网络进行训练，然后与正演模型进行联合反演，得到路基结构的介电常数，在得到所述介电常数后，即可配合使用探底雷达对路面进行检测，最终将路基的结构层能够可视化展示，对于路基是否存在病害可以直观表达。
请参阅附图2，作为优选方案，本实施例中，所述模拟样本的获得步骤为：
S11、构建的所述正演模型具有公路结构层物理模型和雷达电磁波传播模型，将所述公路结构层物理模型和所述雷达电磁波传播模型耦合；
S12、模拟雷达电磁波在公路结构层上的传播规律，根据所述雷达电磁波的输入量计算回波反馈量，模拟探底雷达响应得到所述模拟样本。
作为优选方案，本实施例中，在步骤S1中，所述标准神经网络模型训练时，需要为所述标准神经网络设定权重w和偏置b，通过所述模拟样本中的雷达电磁波的输入量和回波反馈量对所述权重w和所述偏置b进行调整，最终得到所述应用神经网络。
具体的，所述正演模型是使用正演模拟技术，正演模拟又称为回波模拟合成，首先能够构建地下结构，例如道路路基结构的仿真模拟，继而通过研究雷达电磁波在地下截止的传播规律，建立雷达波的传播模型，利用模拟的地下介质模拟探底雷达的回波响应。通过所述正演模型构建不同情况的路基结构层，并模拟不同的雷电电磁波的回波情况，得到若干组同一类型结构的输入电磁波和输出回波之间模拟样本数据；然后，根据不同的机构类型，分别获取模拟样本数据，以供使用。在构建所述标准神经网络模型时，首先对所述标准神经网络模型赋予随机的权重和偏置；然后使用部分所述模拟样本中的输入电磁波作为神经网络的输入项，将得到的神经网络的输出项分别与所述模拟样本的输出回波数据进行比对，进而调整神经网络的权重和偏置。在通过对若干个权重值和偏置值分别进行数据优选，将优选后的权重和偏置赋予到所述标准神经网络模型后得到所述应用神经网络。
请参阅图3，作为优选方案，本实施例中，所述步骤S3，具体包括步骤：
S31、在输入参数解空间，随机生成若干输入参数；应当说明的是，探底雷达具有的发射信号范围，可以作为输入参数解空间，随机生成的输入参数为探底雷达的发射信号，即发射雷达电磁波。
S32、将若干所述输入参数输入到所述正演模型中，得到若干期望值；具体的，步骤S32与步骤S1中使用所述正演模型得到若干模拟样本的步骤相同，不做赘述，应当说明的是，此处所述输入参数对应上述中模拟样本中的发射信号，期望值对应上述中模拟样本中的反射信号和介电常数。相当于得到一组新的模拟样本组。
S33、将若干所述输入参数和各自对应的所述期望值输入到所述应用神经网络中，对所述应用神经网络进行再训练；此时，可以利用holdout方法或GA方法得到最佳平缓因子，作为所述应用神经网络的应用平滑因子；如此可以明确知道神经网络的输出准确度；
S34、利用所述蚁群算法在所述输入参数解空间获取最优输入参数，对使用步骤S33再训练后的所述应用神经网络进行求解，判定是否为最优应用神经网络，若是，则确定为反演神经网络；若否，则执行步骤S35；具体的，所述最优应用神经网络的确定标准为：将所述最优输入参数分别输入到所述应用神经网络和正演模型中，得到相应的最优输出解和最优目标解，判定二者之间的误差是否大于预定误差，若是则判定不是最优应用神经网络；若否，则判定所述应用神经网络为最优神经网络；
S35、在所述输入参数解空间中，找到所述最优输入参数附近的多个输入参数，执行步骤S32。
具体的，目标函数的准确回归曲面上，必然可以找到一个最优点，对于求小值问题，最优点为曲面的低谷，对于求大值问题，最优点为曲面的高峰；样本在足够多的情况下，必然能够反映原始曲面的变化规律，则回归曲面可以代替原始曲面求解最优解。所述输入参数解空间是专门提供输入由若干个模拟样本中的，本发明提供的反演方法是使用所述正演模型和神经网络相互配合得到反演结果，因此使用最优的输入参数和因之得到的最优解，能够将所述应用神经网络的测量精度增强。
请参阅图4，作为优选方案，本实施例中，所述步骤S4具体包括：
S41、利用所述反演神经网络以蚁群算法进行公路结构层介电特性的反演迭代，并输出反演结果；
S42、判定反演结果是否收敛，若是，则直接输出反演结果；若否，则执行步骤S43；
S43、判定反演迭代是否符合迭代条件，若是，则输出所述反演结果，并具体显示迭代次数或所述最佳适应度；如否，则执行步骤S41。
作为优选方案，本实施例中，所述迭代条件为反演迭代次数大于预定次数或为反演迭代的最佳适应度大小达到最大值的95％。
请参阅图5，本发明还提供一种使用所述的GPR神经网络蚁群联合介电常数反演方法的路基无损检测方法，其特征在于，将反演神经网络加载到探地雷达设备中，包括步骤：
使用探地雷达设备对待检测的路基进行雷达电磁波发送，同时接收回波反馈数据；
利用所述反演神经网络根据所述雷达电磁波和所述回波反馈数据，对路基结构层进行反演，输出结构层数据。
具体的，所述探地雷达内置所述反演神经网络，可以利用探地雷达发送的雷电电磁波以及探地雷达接收的回波反馈数据，进行介电特性的反演，输出相应的介电常数。本发明利用电磁波传播理论，开展整层介电特性的反演，进而计算结构层厚度，对于改善路面雷达测试精度，避免钻心标定毁坏路基，在路基无损检测领域具有重要意义。
作为优选方案，本实施例中，所述探地雷达设备中还装载正演模型。
作为优选方案，本实施例中，所述结构层数据的输出形式包括可视化演示、可读数据展示。
相应的，本发明还提供一种雷达检测系统，包括探底雷达设备和主机，配合实现上述路基无损检测方法。
一种计算机可读介质，存储有计算机程序，所述计算机程序在被处理器运行时，能够实现上述中所述的GPR神经网络蚁群联合介电常数反演方法。具体的，所述可读介质可以是单独存在，也可以是作为电子设备的一个组件存在，本发明不做限定，只要能够在被处理器执行时实现上述方法即可。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种GPR神经网络蚁群联合介电常数反演方法，其特征在于，包括步骤：
S1、构建标准神经网络模型和正演模型，使用所述正演模型生成具有雷达电磁波地下传播规律的若干模拟样本，使用若干所述模拟样本对所述神经网络模型进行训练，得到应用神经网络；
S2、根据所述应用神经网络在训练过程中的模拟样本输入和网络计算输出的关系构建回归曲面；
S3、利用蚁群优化算法对所述应用神经网络进行优化处理，根据获得的最优解得到反演神经网络；
S4、获取雷达检测目标物的实测信号，使用蚁群算法结合所述反演神经网络根据所述实测信号进行目标物结构层介电特性的反演，输出介电常数。
2.根据权利要求1所述的GPR神经网络蚁群联合介电常数反演方法，其特征在于，所述模拟样本的获得步骤为：
构建的所述正演模型具有公路结构层物理模型和雷达电磁波传播模型，将所述公路结构层物理模型和所述雷达电磁波传播模型耦合；
模拟雷达电磁波在公路结构层上的传播规律，根据所述雷达电磁波的输入量计算回波反馈量，模拟探底雷达响应得到所述模拟样本。
3.根据权利要求2所述的GPR神经网络蚁群联合介电常数反演方法，其特征在于，在步骤S1中，所述标准神经网络模型训练时，需要为所述标准神经网络设定权重w和偏置b，通过所述模拟样本中的雷达电磁波的输入量和回波反馈量对所述权重w和所述偏置b进行调整，最终得到所述应用神经网络。
4.根据权利要求1所述的GPR神经网络蚁群联合介电常数反演方法，其特征在于，所述步骤S3，具体包括步骤：
S31、在输入参数解空间，随机生成若干输入参数；
S32、将若干所述输入参数输入到所述正演模型中，得到若干期望值；
S33、将若干所述输入参数和各自对应的所述期望值输入到所述应用神经网络中，对所述应用神经网络进行再训练；
S34、利用所述蚁群算法在所述输入参数解空间获取最优输入参数，对使用步骤S33再训练后的所述应用神经网络进行求解，判定是否为最优应用神经网络，若是，则确定为反演神经网络；若否，则执行步骤S35；
S35、在所述输入参数解空间中，找到所述最优输入参数附近的多个输入参数，执行步骤S32。
5.根据权利要求1所述的GPR神经网络蚁群联合介电常数反演方法，其特征在于，所述步骤S4具体包括：
S41、利用所述反演神经网络以蚁群算法进行公路结构层介电特性的反演迭代，并输出反演结果；
S42、判定反演结果是否收敛，若是，则直接输出反演结果；若否，则执行步骤S43；
S43、判定反演迭代是否符合迭代条件，若是，则输出所述反演结果，并具体显示迭代次数或所述最佳适应度；如否，则执行步骤S41。
6.根据权利要求5所述的GPR神经网络蚁群联合介电常数反演方法，其特征在于，所述迭代条件为反演迭代次数大于预定次数或为反演迭代的最佳适应度大小达到最大值的95％。
7.一种使用权利要求1-6任一所述的GPR神经网络蚁群联合介电常数反演方法的路基无损检测方法，其特征在于，将反演神经网络加载到探地雷达设备中，包括步骤：
使用探地雷达设备对待检测的路基进行雷达电磁波发送，同时接收回波反馈数据；
利用所述反演神经网络根据所述雷达电磁波和所述回波反馈数据，对路基结构层进行反演，输出结构层数据。
8.根据权利要求7所述的路基无损检测方法，其特征在于，所述结构层数据的输出形式包括可视化演示、可读数据展示。
9.一种雷达检测系统，其特征在于，包括探底雷达设备和主机，配合实现权利要求7或8的路基无损检测方法。
10.一种计算机可读介质，存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时，能够实现权利要求1-5任一所述的GPR神经网络蚁群联合介电常数反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011470849.7A CN112731377B (zh) | 2020-12-15 | 2020-12-15 | 一种介电常数反演方法、路基检测方法和检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011470849.7A CN112731377B (zh) | 2020-12-15 | 2020-12-15 | 一种介电常数反演方法、路基检测方法和检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112731377A true CN112731377A (zh) | 2021-04-30 |
| CN112731377B CN112731377B (zh) | 2024-03-26 |
Family
ID=75599886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011470849.7A Active CN112731377B (zh) | 2020-12-15 | 2020-12-15 | 一种介电常数反演方法、路基检测方法和检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112731377B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361367A (zh) * | 2021-06-01 | 2021-09-07 | 中南大学 | 基于深度学习的地下目标电磁反演方法及系统 |
| CN113447536A (zh) * | 2021-06-24 | 2021-09-28 | 山东大学 | 一种混凝土介电常数反演与病害识别方法及系统 |
| CN115598714A (zh) * | 2022-12-14 | 2023-01-13 | 西南交通大学（Cn） | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 |
| CN115856882A (zh) * | 2023-02-15 | 2023-03-28 | 山东大学 | 一种多极化地质雷达数据智能反演与成像方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915943A (zh) * | 2010-08-10 | 2010-12-15 | 中南大学 | 均匀背景介质的介电常数和隐蔽目标参数的联合反演方法 |
| CN102495293A (zh) * | 2011-11-21 | 2012-06-13 | 中国民航大学 | 基于系统辨识理论的机场道面介质层电磁特性的反演方法 |
| CN102944751A (zh) * | 2012-11-12 | 2013-02-27 | 中国传媒大学 | 基于混波室的介电常数测量方法 |
| CN103617344A (zh) * | 2013-11-02 | 2014-03-05 | 西安电子科技大学 | 基于雷达后向散射实测数据对单层地表介电参数与粗糙度参数快速反演的联合优化算法 |
| CN103763350A (zh) * | 2014-01-02 | 2014-04-30 | 北京邮电大学 | 基于误差反向传播神经网络的web服务选择方法 |
| US20140240162A1 (en) * | 2012-10-31 | 2014-08-28 | Board Of Regents, The University Of Texas System | Method and Apparatus for Detecting Subsurface Targets Using Data Inversion and a Temporal Transmission Line Model |
| CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘系统优化控制方法 |
| CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
| CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
-
2020
- 2020-12-15 CN CN202011470849.7A patent/CN112731377B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915943A (zh) * | 2010-08-10 | 2010-12-15 | 中南大学 | 均匀背景介质的介电常数和隐蔽目标参数的联合反演方法 |
| CN102495293A (zh) * | 2011-11-21 | 2012-06-13 | 中国民航大学 | 基于系统辨识理论的机场道面介质层电磁特性的反演方法 |
| US20140240162A1 (en) * | 2012-10-31 | 2014-08-28 | Board Of Regents, The University Of Texas System | Method and Apparatus for Detecting Subsurface Targets Using Data Inversion and a Temporal Transmission Line Model |
| CN102944751A (zh) * | 2012-11-12 | 2013-02-27 | 中国传媒大学 | 基于混波室的介电常数测量方法 |
| CN103617344A (zh) * | 2013-11-02 | 2014-03-05 | 西安电子科技大学 | 基于雷达后向散射实测数据对单层地表介电参数与粗糙度参数快速反演的联合优化算法 |
| CN103763350A (zh) * | 2014-01-02 | 2014-04-30 | 北京邮电大学 | 基于误差反向传播神经网络的web服务选择方法 |
| CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘系统优化控制方法 |
| CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
| CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| GAMIL ALSHARAHI ETAL.: "Perfomace of GPR influenced by electrical conductivity and dielectric constant", PROCEDIA TECHNOLOGY, 31 October 2015 (2015-10-31) * |
| 丁鑫;郭乙霏;方宏远;刘小梅;张小旺;: "基于蚁群算法的层状结构介电特性反演方法", 人民黄河, no. 06, pages 1 - 3 * |
| 张蓓: "路面结构层材料介电特性及其厚度反演分析的系统识别方法——路面雷达关键技术研究", 中国博士学位论文全文库（电子期刊）工程科技Ⅱ辑, no. 3 * |
| 张蓓;李松涛;钟燕辉;李晓龙;高燕龙;: "基于BP-PSO联合算法的沥青混合料空隙率反演计算", 大连理工大学学报, no. 01, pages 1 - 5 * |
| 秦浩森;丁咚;王祥东;李广雪;权永峥;: "蚁群算法优化BP神经网络声学底质分类方法", 中国海洋大学学报(自然科学版), no. 2, 15 December 2019 (2019-12-15) * |
| 蔡迎春: "层状非均匀介质介电特性反演分析-路面雷达应用技术研究", 中国优秀硕士论文全文数据库工程科技辑, 15 May 2009 (2009-05-15) * |
| 阳佳慧等: "基于混合优化算法的层状介质反演方法", 基于混合优化算法的层状介质反演方法, vol. 42, no. 5 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361367A (zh) * | 2021-06-01 | 2021-09-07 | 中南大学 | 基于深度学习的地下目标电磁反演方法及系统 |
| CN113447536A (zh) * | 2021-06-24 | 2021-09-28 | 山东大学 | 一种混凝土介电常数反演与病害识别方法及系统 |
| CN113447536B (zh) * | 2021-06-24 | 2022-09-30 | 山东大学 | 一种混凝土介电常数反演与病害识别方法及系统 |
| CN115598714A (zh) * | 2022-12-14 | 2023-01-13 | 西南交通大学（Cn） | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 |
| CN115598714B (zh) * | 2022-12-14 | 2023-04-07 | 西南交通大学 | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 |
| CN115856882A (zh) * | 2023-02-15 | 2023-03-28 | 山东大学 | 一种多极化地质雷达数据智能反演与成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112731377B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731377B (zh) | 一种介电常数反演方法、路基检测方法和检测系统 | |
| Shaw et al. | Location of steel reinforcement in concrete using ground penetrating radar and neural networks | |
| Klewe et al. | Review of moisture measurements in civil engineering with ground penetrating radar–Applied methods and signal features | |
| Goel et al. | Nondestructive testing of asphalt pavements for structural condition evaluation: a state of the art | |
| 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 | |
| Liu et al. | Overall grouting compactness detection of bridge prestressed bellows based on RF feature selection and the GA-SVM model | |
| CN109253921A (zh) | 一种检测混凝土试块强度评价方法 | |
| CN110219644B (zh) | 确定储层可压裂性指数值空间分布的方法 | |
| CN112557499B (zh) | 一种基于超声波的节理对应力波透反射规律影响的实验方法 | |
| KR102611457B1 (ko) | 인공지능 기반 콘크리트 부재 내부 결함 탐지 시스템 | |
| Zheng et al. | Convolutional neural networks for water content classification and prediction with ground penetrating radar | |
| Bonagura et al. | Artificial neural network (ANN) approach for predicting concrete compressive strength by SonReb | |
| CN105372631A (zh) | 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用 | |
| CN109975412A (zh) | 基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法及装置 | |
| 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 | |
| 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 | |
| Diaferio et al. | Correlation curves to characterize concrete strength by means of UPV tests | |
| Sriskantharajah et al. | Condition assessment tool for timber utility poles using stress wave propagation technique | |
| US20030131674A1 (en) | Pole testing system | |
| Wickramanayake et al. | Deep learning for estimating low-range concrete sub-surface boundary depths using ground penetrating radar signals | |
| CN117094222A (zh) | 基于神经网络的岩土体物性参数推演物理力学指标方法 | |
| 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 | |
| Breysse et al. | Construction of conversion models of observables into indicators | |
| Xu et al. | Integrity Evaluation of Large Diameter Pile Foundation Based on Grey Clustering Theory. | |
| CN112731379A (zh) | 粒子群遗传联合介电常数获取方法、雷达检测方法和系统 |
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 |