CN113406197A - 一种套筒灌浆密实度智能检测方法 - Google Patents
一种套筒灌浆密实度智能检测方法 Download PDFInfo
- Publication number
- CN113406197A CN113406197A CN202110324709.7A CN202110324709A CN113406197A CN 113406197 A CN113406197 A CN 113406197A CN 202110324709 A CN202110324709 A CN 202110324709A CN 113406197 A CN113406197 A CN 113406197A
- Authority
- CN
- China
- Prior art keywords
- steel bar
- sleeve
- bar sleeve
- grouting
- intelligent detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 89
- 239000010959 steel Substances 0.000 claims abstract description 89
- 230000007547 defect Effects 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000005284 excitation Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 15
- 239000011440 grout Substances 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000035939 shock Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000007822 coupling agent Substances 0.000 claims description 6
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 235000014121 butter Nutrition 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012669 compression test Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005491 wire drawing Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (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
本发明公开了一种套筒灌浆密实度智能检测方法，通过小波分解钢筋套筒激振反馈波形，然后利用分形原理对分解后的波形进行盒维数分析，提取描述缺陷特征的分形特征向量FB，最后将分形特征向量FB作为BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度信息；通过这种智能识别方法对钢筋套筒灌浆密实度进行检测，可以大大的提高检测人员的检测效率、降低检测成本以及提高检测精度。
Description
技术领域
本发明属于装配式建筑领域，具体涉及一种套筒灌浆密实度智能检测方法。
背景技术
随着我国经济和城市化的快速发展，建筑工业化进程也在加快，传统现浇建筑技术由于资源配置不合理、施工机械化程度低、施工作业环境较差，已不能满足于建筑行业发展需求。装配式建筑因具有工业化程度高、施工效率高、节能环保等优点，近年来在国内得到了迅速推广及使用。
装配式建筑技术的重要特点就是建筑物整体或部分结构由预制部件在工地装配而成，各装配构件间节点的有效连接是装配式混凝土结构的关键技术，也是装配式混凝土结构能否推广应用的关键。为提高装配式建筑的抗震性和完整性，须确保装配式建筑构件之间具有可靠的连接。常用的装配式建筑连接方式主要是通过采用钢筋套筒实现连接，该连接方式有效地保证了装配式建筑的完整性，因此也相应地提高了装配式建筑的抗震性，广泛用于房建装配式剪力墙、桥梁装配式箱梁及桥梁墩台等建筑结构中。
钢筋套筒主要由连接钢筋与套筒所组成。当前，常规的钢筋套筒连接强度评价方法是对钢筋套筒接头试件采用单向拉伸、高应力反复拉压试验、大变形反复拉压试验等；在无损检测方法上，超声波法、冲击回波法虽然在一定程度上都能够得到钢筋套筒灌浆密实度的信息，但对于检测结果的判断受人为因素影响较大；预埋钢丝拉拔法、预埋传感器法检测费时费力，无法实现钢筋套筒灌浆密实度的普查；X射线法虽然检测效果直观易读，但检测设备昂贵、操作流程复杂、无法探测并排套筒、检测深度有限，并且存在射线辐射，易对人体造成伤害。因此，目前尚无一种高效率、低成本、智能化的钢筋套筒灌浆密实度检测方法。
发明内容
为了克服现有技术的上述缺点，本发明的目的在于提供一种套筒灌浆密实度智能检测方法，旨在提高套筒灌浆密实度的检测效率及智能化程度。
本发明为达到其目的，所采用的技术方案如下：
一种套筒灌浆密实度智能检测方法，包括套筒灌浆密实度智能检测工具，所述套筒灌浆密实度智能检测工具包括钢筋套筒，所述钢筋套筒的两端分别嵌有钢筋，在所述钢筋套筒的内部设有将处于所述钢筋套筒的两端的钢筋进行固定的灌浆料；所述钢筋套筒上设有出浆口和进浆口；
所述套筒灌浆密实度智能检测方法包括以下步骤：
S1、准备钢筋套筒，所述钢筋套筒的数量的数值设为A，且所述钢筋套筒的灌浆缺陷类型及密度已知；
S2、对所述S1中的钢筋套筒进行下述步骤操作：
s21、在所述钢筋套筒的进浆口处设置振动传感器，所述振动传感器连接数据采集设备，所述数据采集设备可接收振动传感器的信号并实时保存；
s22、完成步骤s21之后，启动数据采集设备，并利用激振设备使钢筋套筒的出浆口产生激振波；通过振动传感器采集到钢筋套筒的振动响应信号；所述激振设备可控制每次输出的激振波一致；
s23、将步骤s22采集到的振动响应信号载入电脑；
s24、根据步骤s23振动响应信号的波形，选择Sym8小波函数，所述Sym8小波函数的小波分解的层次的数值设为N；
然后对步骤s23的振动响应信号，利用选定的小波函数进行N层正交小波分解，得到第1～N层共N+1个小波分解的信号分量{cAN，cDN，cDN-1......cD4，cD3，cD2，cD1}，其中，AN为低频分量，cDN为高频分量；
s25、分别对步骤s24得到的AN，DN，DN-1......D4，D3，D2，D1进行盒维数计算，得到盒维数FAN、FDN、FN-1......F4、F3、F2、F1；
s26、计算步骤s25中FAN、FDN、FN-1......F4、F3、F2、F1的平均值，然后再计算用平均值分别减去FAN、FDN、FN-1......F4、F3、F2、F1所得的绝对值；
s27、根据步骤s26所得的绝对值从大到小对盒维数FAN、FDN、FN-1......F4、F3、F2、F1进行重新排列，组成分形特征向量FX＝{F1，F2，F3，F4......FN-1、FDN、FAN}；
S3、完成步骤S2后，得到分形特征向量FA、FA-1、FA-2......F3、F2、F1；将得到的分形特征向量FA、FA-1、FA-2......F3、F2、F1及各个分形特征向量所对应钢筋套筒的灌浆缺陷类型及密度导入MATLAB软件中的BP神经网络进行训练学习，并保存；
S4、完成步骤S3后，将需检测钢筋套筒进行步骤S2的操作，得到分形特征向量FB；然后将分形特征向量FB作为步骤S3中已经训练完成的BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度。
优选的，在步骤s24中的Sym8小波函数还可以是Haar小波函数、Daubechies小波函数或Coiflet小波函数。
优选的，在步骤S4后，设置步骤S5：利用X射线法对分形特征向量FB所对应的钢筋套筒进行精确判断后，将分形特征向量FB、钢筋套筒缺陷类型及密度信息导入MATLAB软件中的BP神经网络继续训练。
优选的，所述激振设备为手锤。
优选的，在所述步骤s21中，所述振动传感器与钢筋套筒的进浆口的接触面上涂抹有耦合剂。
优选的，所述耦合剂为黄油。
优选的，在所述步骤S1中，所述A的数值大于等于100。
优选的，在所述步骤s24中，所述N的数值小于等于7。
与现有技术了相比，本发明的方案具体的有益效果：
通过小波分解钢筋套筒激振反馈波形，然后利用分形原理对分解后的波形进行盒维数分析，提取描述缺陷特征的分形特征向量FB，最后将分形特征向量FB作为BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度信息；通过这种智能识别方法对钢筋套筒灌浆密实度进行检测，可以大大的提高检测人员的检测效率、降低检测成本以及提高检测精度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的套筒灌浆密实度智能检测工具的结构图；
图2是本发明实施例的流程图；
附图标记说明：
1-钢筋套筒，2-钢筋，3-振动传感器，4-数据采集设备，5-电脑，6-激振设备，11-出浆口，12-进浆口。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。
参照图1至图2，发明公开了一种套筒灌浆密实度智能检测方法，包括套筒灌浆密实度智能检测工具，所述套筒灌浆密实度智能检测工具包括钢筋套筒1，所述钢筋套筒1的两端分别嵌有钢筋2，在所述钢筋套筒的内部设有将处于所述钢筋套筒的两端的钢筋进行固定的灌浆料；所述钢筋套筒上设有出浆口11和进浆口12；
所述套筒灌浆密实度智能检测方法包括以下步骤：
S1、准备钢筋套筒，所述钢筋套筒的数量的数值设为A，且所述钢筋套筒的灌浆缺陷类型及密度已知；
S2、对所述S1中的钢筋套筒进行下述步骤操作：
s21、在所述钢筋套筒的进浆口处设置振动传感器3，所述振动传感器连接数据采集设备4，所述数据采集设备可接收振动传感器的信号并实时保存；
s22、完成步骤s21之后，启动数据采集设备，并利用激振设备6使钢筋套筒的出浆口产生激振波；通过振动传感器采集到钢筋套筒的振动响应信号；所述激振设备可控制每次输出的激振波一致；
s23、将步骤s22采集到的振动响应信号载入电脑5；
s24、根据步骤s23振动响应信号的波形，选择Sym8小波函数，所述Sym8小波函数的小波分解的层次的数值设为N；
然后对步骤s23的振动响应信号，利用选定的小波函数进行N层正交小波分解，得到第1～N层共N+1个小波分解的信号分量{cAN，cDN，cDN-1......cD4，cD3，cD2，cD1}，其中，AN为低频分量，cDN为高频分量；
s25、分别对步骤s24得到的AN，DN，DN-1......D4，D3，D2，D1进行盒维数计算，得到盒维数FAN、FDN、FN-1......F4、F3、F2、F1；
s26、计算步骤s25中FAN、FDN、FN-1......F4、F3、F2、F1的平均值，然后再计算用平均值分别减去FAN、FDN、FN-1......F4、F3、F2、F1所得的绝对值；
s27、根据步骤s26所得的绝对值从大到小对盒维数FAN、FDN、FN-1......F4、F3、F2、F1进行重新排列，组成分形特征向量FX＝{F1，F2，F3，F4......FN-1、FDN、FAN}；
S3、完成步骤S2后，得到分形特征向量FA、FA-1、FA-2......F3、F2、F1；将得到的分形特征向量FA、FA-1、FA-2......F3、F2、F1及各个分形特征向量所对应钢筋套筒的灌浆缺陷类型及密度导入MATLAB软件中的BP神经网络进行训练学习，并保存；
S4、完成步骤S3后，将需检测钢筋套筒进行步骤S2的操作，得到分形特征向量FB；然后将分形特征向量FB作为步骤S3中已经训练完成的BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度。
首先进行术语解释：
小波分析：是一种信号的时间—频率分析方法，具有多分辨率分析的特点。该方法用有限长或快速衰减的、称为母小波的振荡波形来表示信号，通过缩放母小波的宽度来获得信号的频率特征，通过平移母小波来获得信号的时间信息，从而在时频两域都具有表征信号局部特征的能力。对于瞬态冲击振动响应这类具有较宽频带的非平稳随机信号，小波分析技术可对其局部进行多分辨率、突出化分析，能够快速、准确地探测到结构振动响应中所含有的缺陷反常信号。
BP神经网络：一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。它能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
盒维数：假设钢筋套筒受激振动产生的振动波信号s∈F，F是n维欧式空间Rn上面的封闭的集合。将Rn划分成尽可能小的宽度为δ的正方形方格，如果Nδ是网格宽度为δ的离散空间上覆盖F集合最少的网格个数，那我们将振动波s的盒维数定义为：
在对钢筋套筒施工缺陷进行检测时，不同的灌浆施工缺陷对钢筋套筒内由相同激振引起的振动信号的影响是不同的，分形理论中的盒维数作为一种衡量结构振动特征的无量纲指标，已经广泛应用于机械结构、桩基础、梁、柱等实体的缺陷识别及锚杆锚固质量诊断当中，本发明中当钢筋套筒结构中出现病害及缺陷后，结构整体的振动特性将发生改变，振动响应信号复杂程度也随之变化，这一变化将以盒维数的形式表现出来。对于装配式建筑钢筋套筒来说，由于预制构件中的钢筋套筒具有结构尺寸一致、灌浆料相同、钢筋型号一致、埋设方式近似的特点，在施工质量良好的情况下，各个钢筋套筒的盒维数大小应相差不大，若其中存在有灌浆施工缺陷的钢筋套筒时，便可通过盒维数大小进行快速判别。
考虑到钢筋套筒施工缺陷与其振动响应曲线盒维数之间并非简单的线性对应关系，本发明引入了BP神经网络算法，用以建立套筒施工缺陷与盒维数之间的非线性映射关系。其具有网络结构简单，有较强的逼近、容错能力，是目前应用最多的一种神经网络。BP神经网络的学习模式为有导师学习，而装配式建筑工程中大量存在钢筋套筒结构，能够为BP神经网络的学习提供海量的训练样本，进而提高神经网络对缺陷的识别能力。
本发明通过小波分解钢筋套筒激振反馈波形，然后利用分形原理对分解后的波形进行盒维数分析，提取描述缺陷特征的分形特征向量FB，最后将分形特征向量FB作为BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度信息；通过这种智能识别方法对钢筋套筒灌浆密实度进行检测，可以大大的提高检测人员的检测效率、降低检测成本以及提高检测精度。
优选的，考虑到不同小波函数可能会对波形分解有一定的影响，根据实际情况，在步骤s24中的Sym8小波函数还可以是Haar小波函数、Daubechies小波函数或Coiflet小波函数。
优选的，在步骤S4后，设置步骤S5：利用X射线法对分形特征向量FB所对应的钢筋套筒进行精确判断后，将分形特征向量FB、钢筋套筒缺陷类型及密度信息导入MATLAB软件中的BP神经网络继续训练。
优选的，为了简化设备，所述激振设备为手锤。
优选的，为了振动传感器能够更加精确的反馈激振波在钢筋套筒内的传递，在所述步骤s21中，所述振动传感器与钢筋套筒的进浆口的接触面上涂抹有耦合剂。
优选的，为了降低检测成本，所述耦合剂为黄油。
优选的，在所述步骤S1中，所述A的数值大于等于100。
优选的，在所述步骤s24中，所述N的数值小于等于7。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种套筒灌浆密实度智能检测方法，其特征在于，包括套筒灌浆密实度智能检测工具，所述套筒灌浆密实度智能检测工具包括钢筋套筒，所述钢筋套筒的两端分别嵌有钢筋，在所述钢筋套筒的内部设有将处于所述钢筋套筒的两端的钢筋进行固定的灌浆料；所述钢筋套筒上设有出浆口和进浆口；
所述套筒灌浆密实度智能检测方法包括以下步骤：
S1、准备钢筋套筒，所述钢筋套筒的数量的数值设为A，且所述钢筋套筒的灌浆缺陷类型及密度已知；
S2、对所述S1中的钢筋套筒进行下述步骤操作：
s21、在所述钢筋套筒的进浆口处设置振动传感器，所述振动传感器连接数据采集设备，所述数据采集设备可接收振动传感器的信号并实时保存；
s22、完成步骤s21之后，启动数据采集设备，并利用激振设备使钢筋套筒的出浆口产生激振波；通过振动传感器采集到钢筋套筒的振动响应信号；所述激振设备可控制每次输出的激振波一致；
s23、将步骤s22采集到的振动响应信号载入电脑；
s24、根据步骤s23振动响应信号的波形，选择Sym8小波函数，所述Sym8小波函数的小波分解的层次的数值设为N；
然后对步骤s23的振动响应信号，利用选定的小波函数进行N层正交小波分解，得到第1～N层共N+1个小波分解的信号分量{cAN，cDN，cDN-1......cD4，cD3，cD2，cD1}，其中，AN为低频分量，cDN为高频分量；
s25、分别对步骤s24得到的AN，DN，DN-1......D4，D3，D2，D1进行盒维数计算，得到盒维数FAN、FDN、FN-1......F4、F3、F2、F1；
s26、计算步骤s25中FAN、FDN、FN-1......F4、F3、F2、F1的平均值，然后再计算用平均值分别减去FAN、FDN、FN-1......F4、F3、F2、F1所得的绝对值；
s27、根据步骤s26所得的绝对值从大到小对盒维数FAN、FDN、FN-1......F4、F3、F2、F1进行重新排列，组成分形特征向量FX＝{F1，F2，F3，F4......FN-1、FDN、FAN}；
S3、完成步骤S2后，得到分形特征向量FA、FA-1、FA-2......F3、F2、F1；将得到的分形特征向量FA、FA-1、FA-2......F3、F2、F1及各个分形特征向量所对应钢筋套筒的灌浆缺陷类型及密度导入MATLAB软件中的BP神经网络进行训练学习，并保存；
S4、完成步骤S3后，将需检测钢筋套筒进行步骤S2的操作，得到分形特征向量FB；然后将分形特征向量FB作为步骤S3中已经训练完成的BP神经网络的输入值，经BP神经网络智能分析判别后，输出钢筋套筒的灌浆缺陷类型及密度。
2.根据权利要求1所述的套筒灌浆密实度智能检测方法，其特征在于，在步骤s24中的Sym8小波函数还可以是Haar小波函数、Daubechies小波函数或Coiflet小波函数。
3.根据权利要求1所述的套筒灌浆密实度智能检测方法，其特征在于，在步骤S4后，设置步骤S5：利用X射线法对分形特征向量FB所对应的钢筋套筒进行精确判断后，将分形特征向量FB、钢筋套筒缺陷类型及密度信息导入MATLAB软件中的BP神经网络继续训练。
4.根据权利要求1所述的套筒灌浆密实度智能检测方法，其特征在于，所述激振设备为手锤。
5.根据权利要求1所述的套筒灌浆密实度智能检测方法，其特征在于，在所述步骤s21中，所述振动传感器与钢筋套筒的进浆口的接触面上涂抹有耦合剂。
6.根据权利要求5所述的套筒灌浆密实度智能检测方法，其特征在于，所述耦合剂为黄油。
7.根据权利要求1所述的套筒灌浆密实度智能检测方法，其特征在于，在所述步骤S1中，所述A的数值大于等于100。
8.根据权利要求1所述的套筒灌浆密实度智能检测方法，其特征在于，在所述步骤s24中，所述N的数值小于等于7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324709.7A CN113406197A (zh) | 2021-03-26 | 2021-03-26 | 一种套筒灌浆密实度智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324709.7A CN113406197A (zh) | 2021-03-26 | 2021-03-26 | 一种套筒灌浆密实度智能检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113406197A true CN113406197A (zh) | 2021-09-17 |
Family
ID=77677877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110324709.7A Pending CN113406197A (zh) | 2021-03-26 | 2021-03-26 | 一种套筒灌浆密实度智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113406197A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984889A (zh) * | 2021-10-27 | 2022-01-28 | 郑州大学 | 一种用于波纹管注浆密实度检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108226230A (zh) * | 2018-01-05 | 2018-06-29 | 宁波大学 | 一种基于压电阻抗效应的钢筋套筒灌浆料密实度缺陷监测方法 |
| CN108827825A (zh) * | 2018-05-30 | 2018-11-16 | 广州建设工程质量安全检测中心有限公司 | 一种钢筋套筒中灌浆料密实度检测系统及检测方法 |
| CN110146593A (zh) * | 2019-06-24 | 2019-08-20 | 广州市市政工程试验检测有限公司 | 一种批量检测灌浆套筒密实度的方法 |
| 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 |
| CN111912867A (zh) * | 2019-05-08 | 2020-11-10 | 广州市市政工程试验检测有限公司 | 一种基于电磁波时域反射的灌浆金属套筒密实度检测装置及方法 |
-
2021
- 2021-03-26 CN CN202110324709.7A patent/CN113406197A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108226230A (zh) * | 2018-01-05 | 2018-06-29 | 宁波大学 | 一种基于压电阻抗效应的钢筋套筒灌浆料密实度缺陷监测方法 |
| CN108827825A (zh) * | 2018-05-30 | 2018-11-16 | 广州建设工程质量安全检测中心有限公司 | 一种钢筋套筒中灌浆料密实度检测系统及检测方法 |
| CN111912867A (zh) * | 2019-05-08 | 2020-11-10 | 广州市市政工程试验检测有限公司 | 一种基于电磁波时域反射的灌浆金属套筒密实度检测装置及方法 |
| CN110146593A (zh) * | 2019-06-24 | 2019-08-20 | 广州市市政工程试验检测有限公司 | 一种批量检测灌浆套筒密实度的方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 李涛: "《数字图像处理之红外弱目标分割方法研究》", 30 June 2016, 西南交通大学出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984889A (zh) * | 2021-10-27 | 2022-01-28 | 郑州大学 | 一种用于波纹管注浆密实度检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Asgarian et al. | Damage detection of jacket type offshore platforms using rate of signal energy using wavelet packet transform | |
| CN106990018B (zh) | 一种预应力混凝土梁灌浆密实度智能识别方法 | |
| Wang et al. | Shear loading detection of through bolts in bridge structures using a percussion‐based one‐dimensional memory‐augmented convolutional neural network | |
| Toksoy et al. | Bridge-condition assessment by modal flexibility | |
| Samman et al. | Vibration testing for nondestructive evaluation of bridges. I: Theory | |
| CN107561123A (zh) | 一种混凝土梁损伤监测系统及监测方法 | |
| CN111443131B (zh) | 一种钢筋套筒灌浆密实度检测方法 | |
| CN110146593B (zh) | 一种批量检测灌浆套筒密实度的方法 | |
| CN101706355A (zh) | 基于NExT/ARMA的结构响应分析方法 | |
| Lai et al. | An evaluation of Mahalanobis Distance and grey relational analysis for crack pattern in concrete structures | |
| CN114137079A (zh) | 一种基于深度学习和Duffing系统结合的超声导波无损检测方法 | |
| CN113406197A (zh) | 一种套筒灌浆密实度智能检测方法 | |
| CN115754022A (zh) | 一种基于声发射的钢桁架焊接节点损伤程度识别方法 | |
| Hu et al. | Ultrasonic based concrete defects identification via wavelet packet transform and GA-BP neural network | |
| CN114358091B (zh) | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 | |
| Tang et al. | Explainable deep learning based ultrasonic guided wave pipe crack identification method | |
| Du et al. | An improved prototype network and data augmentation algorithm for few-shot structural health monitoring using guided waves | |
| Hong et al. | Dynamic cooperative identification based on synergetics for pipe structural health monitoring with piezoceramic transducers | |
| CN105654062A (zh) | 海洋结构弱模态识别与时域重构方法 | |
| Liao et al. | Automatic assessment of freeze-thaw damage in concrete structures using piezoelectric-based active sensing approach and deep learning technique | |
| CN112329287B (zh) | 一种基于试桩监测数据的p-y曲线贝叶斯学习方法 | |
| Outzen et al. | Investigation of the applicability of recurrent neural networks for structural health monitoring in the frequency domain | |
| Zhu et al. | Damage detection of pile foundations in marine engineering based on a multidimensional dynamic signature | |
| Bono et al. | An approach based on convolutional autoencoder for detecting damage location in a mechanical system | |
| CN114894897A (zh) | 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 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |
|
| RJ01 | Rejection of invention patent application after publication |