CN114113332A - 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 - Google Patents
基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 Download PDFInfo
- Publication number
- CN114113332A CN114113332A CN202111490047.7A CN202111490047A CN114113332A CN 114113332 A CN114113332 A CN 114113332A CN 202111490047 A CN202111490047 A CN 202111490047A CN 114113332 A CN114113332 A CN 114113332A
- Authority
- CN
- China
- Prior art keywords
- sleeve
- machine learning
- point
- wave velocity
- fft
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 6
- 230000001502 supplementing effect Effects 0.000 claims abstract description 5
- 230000005284 excitation Effects 0.000 claims description 15
- 239000011440 grout Substances 0.000 claims description 14
- XTPJLNSARGBDNC-UHFFFAOYSA-N 3-[diethyl(prop-2-ynyl)azaniumyl]propane-1-sulfonate Chemical compound C#CC[N+](CC)(CC)CCCS([O-])(=O)=O XTPJLNSARGBDNC-UHFFFAOYSA-N 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 210000001503 joint Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000035939 shock Effects 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 238000001368 micro-extraction in a packed syringe Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G01N29/07—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
- G01N29/4481—Neural networks
-
- 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
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，通过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；利用其频谱特性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，作为反映混凝土力学特性的基准参数；再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，提高精度；使得检测系统参与目标分析参数多，判断精准，自动化程度高；且适用范围广，检测过程简洁清楚。
Description
技术领域
本发明涉及无损检测技术领域，具体涉及基于弹性波和机器学习的预制柱套筒灌浆无损检测方法。
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，可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，具体有一下两点：
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、自能化。
发明内容
本发明的目的是提供一种基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，以解决上述现有套筒灌浆料饱满度检测非常困难，检测成本高，不容易实际应用的问题。
为实现上述目的，本发明提供了如下方案：
本发明提供一种基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，主要包括以下步骤：
S1.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。
优选地，所述步骤S1中拾取信号的方法包括以下步骤：
S11.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；
S12.使用信号接收装置，沿步骤S11检测点逐点采集在结构物内部传播后的信号；
S13.利用解析软件将步骤S12采集到的信号进行充分的解析；
S14.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S12采集到的信号进行匹配后作为学习数据。
优选地，所述步骤S12中每个测点检测的信号包括19个参数：
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；
T_FstHfS：首波半波长；
VRF(km/s)：标准波速；
V_VPB(km/s)：测试波速；
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)：T_MEM[0]基阶平均值；
T_DEPS(ms)：T_MEM[0]基阶平均值标准差。
优选地，所述步骤S14中检测点的状态等级class分为2类，包括健全SOUND和有缺陷DEFECT。
优选地，所述步骤S1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。
优选地，还包括以下步骤：
S2.信号特征主要利用频谱特性，并建立属性以供机器学习；
S3.对每根预制柱，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；
S4.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；
S5.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；
S6.重复上述S3～S5，不断优化分析模型，提高预测精度。
优选地，所述步骤S2中利用其频谱特征的方法包括以下步骤：
利用频谱分析软件，对测试数据进行频谱分析，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。
优选地，所述步骤S3中在被测物上获取健全部位信息的方法包括以下步骤：
S31.对混凝土进行波速标定，预制柱使用冲击回波法标定波速；采用透过法另外测试透过P波波速，两组侧面各测一条测线，激振3次，测线位置位于出浆口上方20cm，文件另存；并根据透射P波波速*0.95换算成标准波速；
S32.标记检测点，以便与分析模型对接；每个套筒检测时，首先在套筒延长线外侧进行冲击回波法波速标定；传感器位置距出浆口20cm，激振点在之上5cm，激振3次。
优选地，所述步骤S4中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的方法包括以下步骤：
S41.数据采集时，均在离套筒近的位置进行数据采集，测试数据同1点激振2次；
S42.找准套筒位置，在离套筒近的位置进行数据采集；
S43.对混凝土进行波速标定，预制柱使用冲击回波法标定波速，采用透过法另外测试透过P波波速，两组侧面各测一条测线，激振3次，测线位置位于出浆口上方20cm，文件另存；并根据透射P波波速*0.95换算成标准波速；
S44.严格标记检测点，以便与分析模型对接；每个套筒检测时，首先在套筒延长线外侧进行冲击回波法波速标定；传感器位置距出浆口20cm，激振点在之上5cm，激振3次；套筒检测时，激振点与传感器连线在套筒轴线上，间距固定为5cm。
本发明相对于现有技术取得了以下有益技术效果：
1、本发明通过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20cm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；再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；后续不断重复以上步骤，优化分析模型，提高精度；使得检测系统参与目标分析参数多，判断精准，自动化程度高；
2、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；
3、本发明针对装配式建筑预制柱套筒灌浆密实度检测的技术革新，使用人工智能分析手段，提升检测精度及效率；
4、本发明适用范围广，成本较低，检测过程简洁清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的二层贝叶斯网络模型示意图。
图2为本发明实施例人工神经元网络模型示意图俯视图。
图3为本发明实施时预制柱测点布置图。
图4为本发明实施时预制柱波速测试测点布置图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
本发明的目的是提供一种基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，以解决现有套筒灌浆料饱满度检测非常困难，检测成本高，不容易实际应用的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，主要包括以下步骤：
A、采用冲击弹性波作为检测媒介，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；
B、信号特征主要利用频谱特性，并建立属性以供机器学习；
C、对每根预制柱，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；
D、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；
E、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；
F、重复上述C～E，不断优化分析模型，提高预测精度。
如图3、图4所示，实施时，步骤A中拾取信号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。
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。
步骤B中利用其频谱特征的方法包括以下步骤：
利用频谱分析软件，对测试数据进行频谱分析，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。
如图3、图4所示，步骤C中在被测物上获取健全部位信息的方法包括以下步骤：
C1、对混凝土进行波速标定，预制柱使用冲击回波法标定波速，采用透过法另外测试透过P波波速，两组侧面各测一条测线，激振3次，测线位置位于出浆口上方20cm，文件另存；并根据透射P波波速*0.95换算成标准波速；
C2、标记检测点，以便与分析模型对接；每个套筒检测时，首先在套筒延长线外侧进行冲击回波法波速标定；传感器位置距出浆口20cm，激振点在之上5cm，激振3次。
步骤D中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的方法包括以下步骤：
D1、数据采集时，均在离套筒近的位置进行数据采集，测试数据同1点激振2次；
D2、找准套筒位置，在离套筒近的位置进行数据采集；
D3、对混凝土进行波速标定，预制柱使用冲击回波法标定波速，采用透过法另外测试透过P波波速，两组侧面各测一条测线，激振3次，测线位置位于出浆口上方20cm，文件另存；并根据透射P波波速*0.95换算成标准波速；
D4、严格标记检测点，以便与分析模型对接；每个套筒检测时，首先在套筒延长线外侧进行冲击回波法波速标定；传感器位置距出浆口20cm，激振点在之上5cm，激振3次。套筒检测时，激振点与传感器连线在套筒轴线上，间距固定为5cm。
步骤A2中每个测点检测的信号包括19个参数：
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；
T_FstHfS：首波半波长；
VRF(km/s)：标准波速；
V_VPB(km/s)：测试波速；
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)：T_MEM[0]基阶平均值；
T_DEPS(ms)：T_MEM[0]基阶平均值标准差。
如图1、图2所示，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。
实施时，步骤E中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；测试数据源文件中，建立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、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，所述型号将会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、套筒外直径，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，包括波速标定、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。
采集到的测试验证数据如下表所示：
表1灌浆预制柱测试验证数据一览表(yzz-train)
| 行号 | 灌浆状况 | 测试地点 | 测试日期 | 墙壁厚度(m) |
| 1～24 | 未灌浆 | 成都 | 2018.04 | 0.6 |
| 25～79 | 已灌浆 | 成都 | 2018.04 | 0.8 |
| 80～378 | 已灌浆 | 南京 | 2018.05 | 0.5 |
| 379～442 | 未灌浆 | 成都 | 2018.05 | 0.8 |
| 443～922 | 已灌浆 | 成都 | 2018.06 | 0.8 |
采用各种识别模型的精度比较如下表所述：
表2各种识别模型的精度比较
本发明应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，主要包括以下步骤：
S1.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。
2.根据权利要求1所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，所述步骤S1中拾取信号的方法包括以下步骤：
S11.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；
S12.使用信号接收装置，沿步骤S11检测点逐点采集在结构物内部传播后的信号；
S13.利用解析软件将步骤S12采集到的信号进行充分的解析；
S14.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S12采集到的信号进行匹配后作为学习数据。
3.根据权利要求2所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，所述步骤S12中每个测点检测的信号包括19个参数：
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；
T_FstHfS：首波半波长；
VRF(km/s)：标准波速；
V_VPB(km/s)：测试波速；
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)：T_MEM[0]基阶平均值；
T_DEPS(ms)：T_MEM[0]基阶平均值标准差。
4.根据权利要求2所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，所述步骤S14中检测点的状态等级class分为2类，包括健全SOUND和有缺陷DEFECT。
5.根据权利要求1所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，所述步骤S1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。
6.根据权利要求1所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，还包括以下步骤：
S2.信号特征主要利用频谱特性，并建立属性以供机器学习；
S3.对每根预制柱，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；
S4.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；
S5.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；
S6.重复上述S3～S5，不断优化分析模型，提高预测精度。
7.根据权利要求6所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，所述步骤S2中利用其频谱特征的方法包括以下步骤：
利用频谱分析软件，对测试数据进行频谱分析，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。
8.根据权利要求6所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，所述步骤S3中在被测物上获取健全部位信息的方法包括以下步骤：
S31.对混凝土进行波速标定，预制柱使用冲击回波法标定波速；采用透过法另外测试透过P波波速，两组侧面各测一条测线，激振3次，测线位置位于出浆口上方20cm，文件另存；并根据透射P波波速*0.95换算成标准波速；
S32.标记检测点，以便与分析模型对接；每个套筒检测时，首先在套筒延长线外侧进行冲击回波法波速标定；传感器位置距出浆口20cm，激振点在之上5cm，激振3次。
9.根据权利要求6所述的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，其特征在于，所述步骤S4中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的方法包括以下步骤：
S41.数据采集时，均在离套筒近的位置进行数据采集，测试数据同1点激振2次；
S42.找准套筒位置，在离套筒近的位置进行数据采集；
S43.对混凝土进行波速标定，预制柱使用冲击回波法标定波速，采用透过法另外测试透过P波波速，两组侧面各测一条测线，激振3次，测线位置位于出浆口上方20cm，文件另存；并根据透射P波波速*0.95换算成标准波速；
S44.严格标记检测点，以便与分析模型对接；每个套筒检测时，首先在套筒延长线外侧进行冲击回波法波速标定；传感器位置距出浆口20cm，激振点在之上5cm，激振3次；套筒检测时，激振点与传感器连线在套筒轴线上，间距固定为5cm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111490047.7A CN114113332A (zh) | 2018-07-11 | 2018-07-11 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810758962.1A CN108918679A (zh) | 2018-07-11 | 2018-07-11 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
| CN202111490047.7A CN114113332A (zh) | 2018-07-11 | 2018-07-11 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810758962.1A Division CN108918679A (zh) | 2018-07-11 | 2018-07-11 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114113332A true CN114113332A (zh) | 2022-03-01 |
Family
ID=64411226
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810758962.1A Pending CN108918679A (zh) | 2018-07-11 | 2018-07-11 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
| CN202111490047.7A Pending CN114113332A (zh) | 2018-07-11 | 2018-07-11 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810758962.1A Pending CN108918679A (zh) | 2018-07-11 | 2018-07-11 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN108918679A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117470752A (zh) * | 2023-12-28 | 2024-01-30 | 广东省有色工业建筑质量检测站有限公司 | 一种钢管桁架体内预应力灌浆含量的检测方法 |
| CN117949540A (zh) * | 2024-03-26 | 2024-04-30 | 天津风霖物联网科技有限公司 | 一种用于工程检测的密实度检测方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114624336B (zh) * | 2022-05-16 | 2022-09-02 | 四川升拓检测技术股份有限公司 | 基于轮式隔音的冲击回波声频法的信号检测装置及方法 |
| CN116381051B (zh) | 2023-06-06 | 2023-08-25 | 安徽中铁工程技术有限公司 | 一种铁路桥梁孔道混凝土密实度检测装置及其检测系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167520A (zh) * | 2017-05-20 | 2017-09-15 | 浙江交科工程检测有限公司 | 一种灌浆密实度检测方法 |
| CN107255637A (zh) * | 2017-06-06 | 2017-10-17 | 河海大学 | 一种基于激光图像的碾压混凝土密实度检测方法 |
| CN108061756A (zh) * | 2017-12-07 | 2018-05-22 | 四川升拓检测技术股份有限公司 | 基于冲击弹性波的炉体衬砌无损检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106990018B (zh) * | 2017-02-28 | 2019-09-10 | 河海大学 | 一种预应力混凝土梁灌浆密实度智能识别方法 |
| CN107179351B (zh) * | 2017-06-06 | 2019-11-12 | 四川升拓检测技术股份有限公司 | 一种预应力孔道灌浆密实度测试方法 |
-
2018
- 2018-07-11 CN CN201810758962.1A patent/CN108918679A/zh active Pending
- 2018-07-11 CN CN202111490047.7A patent/CN114113332A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167520A (zh) * | 2017-05-20 | 2017-09-15 | 浙江交科工程检测有限公司 | 一种灌浆密实度检测方法 |
| CN107255637A (zh) * | 2017-06-06 | 2017-10-17 | 河海大学 | 一种基于激光图像的碾压混凝土密实度检测方法 |
| CN108061756A (zh) * | 2017-12-07 | 2018-05-22 | 四川升拓检测技术股份有限公司 | 基于冲击弹性波的炉体衬砌无损检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王智丰: "预应力管道压浆质量评估试验及应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117470752A (zh) * | 2023-12-28 | 2024-01-30 | 广东省有色工业建筑质量检测站有限公司 | 一种钢管桁架体内预应力灌浆含量的检测方法 |
| CN117470752B (zh) * | 2023-12-28 | 2024-05-07 | 广东省有色工业建筑质量检测站有限公司 | 一种钢管桁架体内预应力灌浆含量的检测方法 |
| CN117949540A (zh) * | 2024-03-26 | 2024-04-30 | 天津风霖物联网科技有限公司 | 一种用于工程检测的密实度检测方法 |
| CN117949540B (zh) * | 2024-03-26 | 2024-06-07 | 天津风霖物联网科技有限公司 | 一种用于工程检测的密实度检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108918679A (zh) | 2018-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN109190272B (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
| US11187681B2 (en) | Method for evaluating state of member | |
| CN111754463B (zh) | 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法 | |
| CN108872129A (zh) | 一种基于偏最小二乘法的绝缘纸近红外光谱解析方法 | |
| CN112131781B (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 | |
| CN104634870A (zh) | 一种基于振动响应测试的隧道结构损伤识别装置 | |
| CN114186624B (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 | |
| CN114186586B (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
| CN115308063A (zh) | 一种已有建筑的混凝土强度抽样检测方法 | |
| CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及系统 | |
| CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
| CN117169477B (zh) | 一种建筑物室内地面空鼓程度评估方法 | |
| CN104165795A (zh) | 一种古建筑木梁的剩余抗弯承载力测定方法 | |
| CN102778632A (zh) | 对变压器绕组故障类型直接预报和识别的双规识别法 | |
| CN115144259B (zh) | 一种钢材抗形变性能检测方法及系统 | |
| CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
| 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 | |
| CN107202661B (zh) | 一种基于伪最大公约数的拉索振动频阶识别方法 | |
| CN111929722B (zh) | 一种快速可靠的既有钢筋混凝土结构抗震性能评估方法 | |
| CN114487099A (zh) | 一种套筒注浆质量无损检测系统及其检测方法 | |
| CN112859002A (zh) | 一种声学发射源定位方法及系统 | |
| CN113075289A (zh) | 一种金属圆柱缺陷参数检测方法及系统 | |
| CN113190891B (zh) | 一种古建筑木结构残损抗振性能的评估试验方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |
|
| RJ01 | Rejection of invention patent application after publication |