CN114358091A - 一种基于卷积神经网络的桩损伤识别方法、设备及介质 - Google Patents
一种基于卷积神经网络的桩损伤识别方法、设备及介质 Download PDFInfo
- Publication number
- CN114358091A CN114358091A CN202210200601.1A CN202210200601A CN114358091A CN 114358091 A CN114358091 A CN 114358091A CN 202210200601 A CN202210200601 A CN 202210200601A CN 114358091 A CN114358091 A CN 114358091A
- Authority
- CN
- China
- Prior art keywords
- pile
- neural network
- damage
- detected
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000002689 soil Substances 0.000 claims abstract description 19
- 230000004913 activation Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000006735 deficit Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 230000005284 excitation Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000005483 Hooke's law Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于卷积神经网络的桩损伤识别方法、设备及介质，其中方法包括:根据待检测桩的条件属性对待检测的桩结构建立多个模型，对模型进行求解生成待检测桩上预设位置点的速度时程曲线，基于速度时程曲线生成速度时程递归图并输入神经网络模型进行检测，输出桩损伤参数评估结果。根据待检测桩条件属性对待检测桩的桩结构进行建模，可以对待检测桩的整体状况有更为全面的分析了解。且神经网络模型，具有极强的非线性大规模参数并行分析处理能力，结合卷积神经网络处理速度时程递归图，能更好地处理桩土结构中复杂的损伤识别问题，提高桩损伤识别的准确性。
Description
技术领域
本发明属于计算机深度学习技术领域，涉及一种基于卷积神经网络的桩损伤识别方法、设备及介质。
背景技术
由桩和连接桩顶的桩承台（简称承台）组成的深基础或由柱与桩基连接的单桩基础，简称桩基。桩基主要用于为上部结构（梁、板、承台和桩帽等）提供承载力。桩基础应用广泛，采用桩基可以大量减少施工现场工作量和材料的消耗，且桩基在地震力作用下的变形小，稳定性好，是解决地震区软弱地基和地震液化地基抗震问题的一种有效措施。
由于桩基种类繁多，施工工艺差异大，加之地层变化复杂，施工过程中可能会使桩身出现缩径,扩径，夹泥，离析，断桩等缺陷。且施工后由机械开挖，碰撞也会引起浅部桩身缺陷。桩身缺陷的存在会改变基桩的正常工作性状，从而对建筑基础产生潜在危险。因此，通过验收检测评价桩身完整性来保证基础安全是很有必要性的举措。
目前采用较多的是低应变检测技术对桩基结构完整性进行检测，低应变检测方法通常需要在桩基顶面布置激振点和在顶面或侧面布置信号接收点。但是对于已建成的结构，由于上部结构的存在，往往需要布置多个激振点并在不同位置安装传感器进行测试，由于传感器位置和激振位置的不同，以及上部结构的存在，各元件之间非线性关系较强，往往造成了桩基损伤识别过程的复杂性，识别精度不高。神经网络作为一种模拟人脑行为的系统技术，具有极强的非线性大规模参数并行分析处理能力，具有良好的适应性，可用来作为多未知参数构造的非线性系统建模和损伤识别评估，而现有的神经网络损伤识别的精确性和效率均不高。
发明内容
本申请提供了一种基于卷积神经网络的桩损伤识别方法、设备及介质，通过神经网络模型结合卷积神经网络对桩损伤情况进行识别评估，无需在每次桩检测时在桩体布置多个激振点和传感器进行测试，在提升桩损伤识别准确性的同时降低桩损伤识别操作的复杂性。
第一方面，本申请提供了一种基于卷积神经网络的桩损伤识别方法，所述方法包括:根据待检测桩的条件属性对所述待检测的桩结构建立多个模型，以使所述多个模型输出所述待检测桩上预设位置点的速度时程曲线；基于所述速度时程曲线生成速度时程递归图；将所述速度时程递归图输入至预先设置的神经网络模型，以使所述神经网络模型对所述速度时程递归图进行检测，并输出所述待检测桩的损伤参数评估结果；其中，所述神经网络模型，是根据多个样本位置点的样本数据集，结合卷积神经网络训练得到的；所述样本数据集包括多个样本位置点的样本速度时程递归图以及所述样本预设位置点对应的样本损伤参数。
这样，根据待检测桩条件属性对待检测桩的桩结构进行建模，可以对待检测桩的整体状况有更为全面的分析了解，基于此情况下构建模型获取的速度时程曲线具有较强的抗干扰性和适应性。同时，相比较于现有技术中每次桩检测时都需要布置多个激振点并在不同位置安装传感器进行测试的繁琐操作，通过训练好的卷积神经网络模型对待检测桩的损伤情况进行评估，可以提高桩损伤评估的简便性。同时，本申请采用的神经网络模型，具有极强的非线性大规模参数并行分析处理能力，结合卷积神经网络处理速度时程递归图，能更好地处理桩土结构中复杂的损伤识别问题，提高桩损伤识别的准确性。
在一种实现方式中，根据待检测桩的条件属性对所述待检测的桩结构，建立多个模型，具体为：
所述待检测桩的条件属性包括损伤指数、损伤位置、损伤长度、桩材料属性和土层参数；根据所述待检测桩的条件属性对所述待检测的桩基、所述待检测桩的上部结构及所述待检测桩的土层结构，建立N个模型；其中，N的取值由所述损伤指数、所述损伤位置和所述损伤长度的参数范围分步长确定。
这样，不仅对待检测桩本身的损伤情况进行数据采集和分析，还包括待检测桩的土层结构、材料属性进行建模，构建多个交错网格模型，可以对待检测桩进行更为全面的分析，提高桩损伤评估的准确性。
在一种实现方式中，根据所述待检测桩条件属性对所述待检测的桩基、所述待检测桩的上部结构及所述待检测桩的土层结构，建立N个模型，还包括：
基于边界条件定义在建立N个模型的过程中对所述待检测桩在预设方向上的速度和应力进行处理，以使所述待检测桩的自由表面应力为0。
这样，基于三维应力镜像法对待检测桩的自由表面边界条件进行处理，以使待检测桩的自由表面应力为0。即，待检测桩没有受到外力，可以确保桩检测建模过程中没有受到外部因素的干扰，提高桩损伤检测的准确性。
在一种实现方式中，选取识别精度较高的预设样本神经网络模型并保存，得到所述神经网络模型前还包括：
采用步进法对所述预设样本神经网络模型对应的样本速度时程递归图进行滤波，调整生成的样本速度时程递归图，以使输入至所述预设样本神经网络模型的数据集实现取值寻优；计算所述预设样本神经网络模型的识别准确率，选取识别精度较高的所述预设样本神经网络模型并保存，得到所述神经网络模型。
这样，对第一预设公式、第二预设公式和第三预设公式的参数根据步进法调整取值，当生成的速度时程递归图数据杂波比较明显时，会影响识别精度，采用步进法可以进行中高频滤波，确定一个相对较好的值，实现取值寻优。对神经网络模型的输入数据集进行优化，可以进一步提高桩损伤检测的准确性。
在一种实现方式中，所述神经网络模型对所述速度时程递归图进行检测，并输出所述待检测桩的损伤参数评估结果，具体为：
将所述速度时程递归图依次输入第一卷积层至第五卷积层；所述第一卷积层根据预设大小的卷积核和预设步长对所述速度时程递归图进行特征提取，输出第一卷积结果；对所述第一卷积结果使用激活函数，增加所述神经网络模型的非线性，输出第一激活结果；其余卷积层重复第一卷积层步骤，直至所述第五卷积层输出第五激活结果；所述第五卷积层根据预设步长和预设大小的池化窗口对所述第五激活结果进行特征选择和信息过滤，输出所述第五卷积层池化结果；第一全连接层根据预设大小的卷积核对所述第五卷积层池化结果进行特征提取，输出第六卷积结果；对所述第六卷积结果使用激活函数，以使所述第一全连接层输出第六激活结果；根据预设步长和预设大小的池化窗口对所述第六激活结果进行池化操作，输出所述第一全连接层池化结果；第二全连接层根据预设个数的卷积神经元对所述第一全连接层池化结果进行全连接处理，输出全连接处理结果；对所述全连接处理结果使用激活函数，以使所述第二全连接层输出第七激活结果；对所述第七激活结果进行抑制过拟合操作后输出损伤参数评估结果；所述损伤参数评估结果包括损伤指数、损伤位置、损伤长度和损伤级别。
这样，通过神经网络模型与卷积神经网络的结合，对输入的速度时程图进行多次的卷积激活处理，对递归图进行反复的特征提取的同时，增加神经网络模型的非线性，应对多未知参数的桩损伤识别评估。与现有技术的低应变测试法使用小锤敲击桩顶，通过对反射信息进行分析，判断桩身混凝土的完整性，判定桩身缺陷的程度及其位置相比，所述神经网络模型输出的损伤参数评估结果还包括损伤指数、损伤长度。对桩损伤检测情况有更为全面的检测效果。
在一种实现方式中，对所述第七激活结果进行抑制过拟合操作后，还包括：
剔除异常值后采用平均值作为所述待检测桩的损伤参数评估结果。
这样，神经网络模型在抑制过拟合操作后，会剔除数据中存在的异常值，对数据取平均值作为模型的损伤参数评估结果，提高模型评估的稳定性和准确性，避免因异常值对评估结果造成波动。
第二方面，本申请还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于卷积神经网络的桩损伤识别方法。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于卷积神经网络的桩损伤识别方法。
附图说明
图1是本发明实施例提供的一种基于卷积神经网络的桩损伤识别方法的一种实施例的流程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
下面将结合本申请实施例中的附图，对本申请实施例进行描述。
本申请的说明书和权利要求书及所述附图中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本说明书中使用的术语“部件”、“模块”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如，部件可以是但不限于，在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。通过图示，在计算设备上运行的应用和计算设备都可以是部件。一个或多个部件可驻留在进程和/或执行线程中，部件可位于一个计算机上和/或分布在2个或更多个计算机之间。此外，这些部件可从在上面存储有各种数据结构的各种计算机可读介质执行。部件可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一部件交互的二个部件的数据，例如通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
首先，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。
（1）弹性模量：“弹性模量”是描述物质弹性的一个物理量，材料在弹性变形阶段，其应力和应变成正比例关系（即符合胡克定律），其比例系数称为弹性模量。
（2）泊松比：是指材料在单向受拉或受压时，横向正应变与轴向正应变的绝对值的比值，也叫横向变形系数，它是反映材料横向变形的弹性常数。
（3）剪切波速:是指震动横波在土内的传播速度，单位是m/s。可通过人为激震的方法产生震动波，在相隔一定距离处记录振动信号到达时间，以确定横波在土内的传播速度。测试方法一般有单孔法、跨孔法等。剪切波速是抗震区确定场地土类别的主要依据。
（4）拉梅常数：在连续力学中，Lamé常数（也称为Lamé系数或Lamé参数）是由应变 -应力关系中出现的λ和μ表示的两个材料相关量。通常，λ和μ分别被分别称为Lamé的第一个参数和Lamé的第二个参数。
（5）重采样是指根据一类象元的信息内插出另一类象元信息的过程。在遥感中，重采样是从高分辨率遥感影像中提取出低分辨率影像的过程。常用的重采样方法有最邻近内插法（nearest neighbor interpolation）、双线性内插法（bilinear interpolation）和三次卷积法内插（cubic convolution interpolation）。
（6）ReLU函数:线性整流函数（Linear rectification function），又称修正线性单元，是一种人工神经网络中常用的激活函数（activation function），通常指代以斜坡函数及其变种为代表的非线性函数。在神经网络中，线性整流作为神经元的激活函数，定义了该神经元在线性变换之后的非线性输出结果。换言之，对于进入神经元的来自上一层神经网络的输入向量X,使用线性整流激活函数的神经会输出max（0，
+b）至下一层神经元或作为整个神经网络的输出。
（7）损伤级别：为中华人民共和国行业标准《建筑基桩检测技术规范》中的桩身完整表性分类表规定，共分为四个等级：
I类：桩身完整。检测波波形无异常反射，桩身完好；
II类：轻度缺陷桩。桩身有轻微缺陷，不影响桩身结构承载力的正常发挥；
III类：较重缺陷桩。桩身有明显缺陷，对桩身结构承载力的有影响；
IV类：严重缺陷或断桩。桩身存在严重缺陷。
（8）损伤指数：根据桩基础完整性系数的定义，损伤指数
参见图1，图1是本发明实施例优选实施例的一种基于卷积神经网络的桩损伤识别方法的流程示意图。本发明实施例的试验环境为Windows10 64位操作系统，计算机的CPU为Intel(R) Core(TM) i9-11950H，128GB内存；Java编程环境；采用DeepLearning4j框架。
如图1所示，该方法包括步骤101至103，各项步骤具体如下：
步骤101:根据待检测桩的条件属性对所述待检测的桩结构建立多个模型，以使所述多个模型输出所述待检测桩上预设位置点的速度时程曲线。
待检测桩条件属性包括损伤指数、损伤位置、损伤长度、桩材料属性和土层参数。材料属性包括弹性模量、泊松比、和密度；土层参数包括剪切波速、密度和泊松比。交错网格模型的数量是根据所述损伤指数、损伤位置、损伤长度的各参数范围分步长确定。
基于三维有限差分交错网络，考虑桩长8.8m，横截面尺寸0.4m×0.4m，考虑特定土层为例；损伤位置从2m-6m步长0.1m，共41个；损伤长度从0.1-0.6m，步长0.1m，共7个；损伤部位截面边长0.05-0.4m，步长0.05m，共7个；一共41×7×7=2009个工况，建立多个交错网格模型。
在本发明实施例中，交错网络模型的构建基于三维弹性波理论和虎克定律，具体应用如下：
采用三维弹性波理论：
上述公式中，ρ为密度；u,v,w分别为x,y,z方向上的速度；
为应力分量；fx,fy,fz为作用在网格点上的力。
以及虎克定律一阶导数：
上述公式中，
为
的时间导数；当i=j时，
等于1，否则
等于0；λ和μ为拉梅常数。
在本发明实施例中，对上述交错网格模型的求解采用基于桩结构材料不均匀性、自由表面边界条件处理、土层吸收边界条件、激振块或激振锤击信号和网格不均匀步长的有限差分弹性波求解算法。具体应用如下：
式中，m为时间步长；U,V,W为X,Y,Z方向上的速度；
作为本发明实施例的一个优选方案，对所述待检测桩在预设方向上的速度和应力进行处理，确保所述待检测桩的自由表面应力为0。具体过程如下：
根据应力镜像法对待检测桩的自由表面处理的定义如下：边界X（垂直于X轴的面）、边界Y（垂直于Y轴的面）、边界Z（垂直于Z轴的面）。基于有限差分弹性波求解算法和自由表面应力为0的要求进一步推导得出边界XY（垂直于X轴和Y轴的边）、边界YZ（垂直于Y轴和Z轴的边）、边界XZ（垂直于X轴和Z轴的边）、边界XYZ（垂直于X轴、Y轴和Z轴的边交点，即角点）等自由表面类型的定义。相比较于现有技术中应力镜像法只公开一个平面的自由表面边界，本发明实施例中还采用了有限差分弹性波求解算法以及自由表面应力为0的要求对待检测桩的自由表面边界进行进一步处理，可以处理任意复杂形状包括面、线和角点的自由表面边界，更好的应对桩土结构中包含任意上部结构形状的桩土模型等复杂的损伤识别问题。
采用应力镜像法对自由表面附近的U,V,W速度（U,V,W分别为X轴,Y轴和Z轴方向上的速度）和应力
，
，
，
，
，
进行处理，确保自由表面应力为0。基于应力镜像法对待检测桩的自由表面边界条件进行处理，以使待检测桩的自由表面应力为0。即，待检测桩没有受到外力，可以确保桩检测建模过程中没有受到外部因素的干扰，提高桩损伤检测的准确性。
步骤102：基于所述速度时程曲线生成速度时程递归图。
对生成的速度时程曲线进行重采样，在本实施例中，对生成的速度时程曲线采用插值算法，调整速度时程曲线数据点与点之间的时间步长，重采样成1024个数据点
。采用公式
步骤103：将所述速度时程递归图输入至预先设置的神经网络模型，以使所述神经网络模型对所述速度时程递归图进行检测，并输出所述待检测桩的损伤参数评估结果；其中，所述神经网络模型，是根据多个样本位置点的样本数据集，结合卷积神经网络训练得到的；所述样本数据集包括多个样本位置点的样本速度时程递归图以及所述样本设位置点对应的样本损伤参数。
神经网络模型对输入的速度时程递归图进行多次卷积运算和激活，实现特征提取和特征选择，具体过程如下：
步骤1：卷积层C1，对接收到的N×N×3的递速度时程归图像，使用96个52×52×3的卷积核，按照步长18对输入的递归图像进行卷积运算，对卷积结果使用ReLU激活函数，得到激活结果；使用步长为2，大小3×3的池化窗口进行池化，对池化结果进行局部响应归一化操作，其中N为1024；
步骤2：卷积层C2，使用256个大小5×5×96的卷积核，步长为1进行卷积运算，对卷积结果使用ReLU激活函数，得到激活结果；使用步长为2，大小3×3的池化窗口进行池化，对池化结果进行局部响应归一化操作；
步骤3：卷积层C3，使用384个3×3×256的卷积核进行卷积运算，对卷积结果使用ReLU激活函数，得到激活结果；
步骤4：卷积层C4，使用384个3×3×192的卷积核进行卷积运算，将卷积结果使用ReLU激活函数，得到激活结果；
步骤5：卷积层C5，使用256个3×3×192的卷积核进行卷积运算，对卷积结果使用ReLU激活函数，得到激活结果，并使用步长为2，大小3×3的池化窗口进行池化；
步骤6：全连接层C6，接着使用1024个6×6×256卷积核进行卷积运算，对卷积结果使用ReLU激活函数，得到激活结果；
步骤7：全连接层C7，接着使用1024个卷积神经元，对全连接层C6的激活结果进行全连接处理，然后使用全连接处理结果使用ReLU激活函数，得到激活结果；
步骤8：通过Dropout进行抑制过拟合后，输出损伤参数评估结果，损伤参数评估结果包括损伤指数、损伤位置、损伤长度和损伤级别。
上述步骤中的池化操作均采用池化函数
进行计算，其中，N为池化窗口内非零数据的个数，取γ=2。
作为本发明实施例的一个优选方案，在通过Dropout进行抑制过拟合后还包括剔除异常值，采用平均值作为本次模型识别待检测桩的损伤参数评估结果。剔除数据中存在的异常值，对数据取平均值作为模型的损伤参数评估结果，可以提高模型评估的稳定性和准确性，避免因异常值对评估结果造成波动，进一步提高桩损伤评估的准确性。
作为本发明实施例的一个优化方案，还包括神经网络模型的训练过程如下：获取多个预设位置的样本位置点的速度时程递归曲线并生成对应的速度时程递归图，根据样本位置点的速度时程图和对应的损伤参数构建对应样本位置点的数据集，同时建立多个样本位置点对应的神经网络模型。将数据集按照预设的比例随机选取生成训练集和测试集，本发明实施例中每个数据集按照80%和20%随机选取生成训练集和测试集，并输入至对应的神经网络模型及逆行训练和测试，并计算测试集的准确率，选取检测精度高的神经网络模型并保存。
作为本发明实施例的又一优选方案，还包括神经网络模型的优化过程如下：
速度时程曲线通常带杂波影响识别精度，当图像数据杂波比较明显的时候，需要根据步进法进行高频滤波和中高频滤波，实现滤波寻优，确定一个相对较好的值。本发明实施例中根据步进法重新调整速度时程递归图生成过程中α、β和n的取值的一个具体计算过程：
n从1开始，每次加1，到100；
α从0.5开始，到3.0，每次加0.1；
β从0.5开始，到3.0，每次加0.1。
通过步进法实现取值寻优，选取相对较好的值，调整生成的速度时程曲线图，进一步提高神经网络模型的检测精度。
本发明实施例中，还提供了一种桩损伤识别设备，包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，处理器执行计算机程序时实现上述桩损伤识别方法。
本发明实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的桩损伤识别方法。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在桩损伤识别设备中的执行过程。
所述桩损伤识别设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述桩损伤识别设备可包括，但不仅限于，处理器、存储器、显示器。本领域技术人员可以理解，上述部件仅仅是基于扫描设备的数据收集的设备的示例，并不构成对基于扫描设备的数据收集的设备的限定，可以包括比所述部件更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述桩损伤识别设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于桩损伤识别设备的控制中心，利用各种接口和线路连接整个所述基于桩损伤识别设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于桩损伤识别设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述桩损伤识别设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例提供一种基于卷积神经网络的桩损伤识别方法，根据待检测桩条件属性对待检测桩的桩结构进行建模，可以对待检测桩的整体状况有更为全面的分析了解，基于此情况下构建模型获取的速度时程曲线具有较强的抗干扰性和适应性。同时，相比较于现有技术中每次桩检测时都需要布置多个激振点并在不同位置安装传感器进行测试的繁琐操作，通过训练好的卷积神经网络模型对待检测桩的损伤情况进行评估，可以提高桩损伤评估的简便性。同时，本申请采用的神经网络模型，具有极强的非线性大规模参数并行分析处理能力，结合卷积神经网络处理速度时程递归图，能更好地处理桩土结构中复杂的损伤识别问题，提高桩损伤识别的准确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种基于卷积神经网络的桩损伤识别方法，其特征在于，包括：
根据待检测桩的条件属性对所述待检测的桩结构建立多个模型，以使所述多个模型输出所述待检测桩上预设位置点的速度时程曲线；
基于所述速度时程曲线生成速度时程递归图；
将所述速度时程递归图输入至预先设置的神经网络模型，以使所述神经网络模型对所述速度时程递归图进行检测，并输出所述待检测桩的损伤参数评估结果；其中，所述神经网络模型，是根据多个样本位置点的样本数据集，结合卷积神经网络训练得到的；所述样本数据集包括多个样本位置点的样本速度时程递归图以及所述样本位置点对应的样本损伤参数。
2.如权利要求1所述的一种基于卷积神经网络的桩损伤识别方法，其特征在于，根据待检测桩的条件属性对所述待检测的桩结构，建立多个模型，具体为：
所述待检测桩的条件属性包括损伤指数、损伤位置、损伤长度、桩材料属性和土层参数；
根据所述待检测的条件属性对所述待检测的桩基、所述待检测桩的上部结构及所述待检测桩的土层结构，建立N个模型；其中，N的取值由所述损伤指数、所述损伤位置和所述损伤长度的参数范围分步长确定。
3.如权利要求2所述的一种基于卷积神经网络的桩损伤识别方法，其特征在于，根据所述待检测桩的条件属性对所述待检测的桩基、所述待检测桩的上部结构及所述待检测桩的土层结构，建立N个模型，还包括：
基于边界条件定义在建立N个模型的过程中对所述待检测桩在预设方向上的速度和应力进行处理，以使所述待检测桩的自由表面应力为0。
4.如权利要求1所述的一种基于卷积神经网络的桩损伤识别方法，其特征在于，所述基于所述速度时程曲线生成速度时程递归图，具体为：
对所述速度时程曲线进行采样，以使所述速度时程曲线生成预设数量的速度时程数据点；
根据第一预设公式对所述速度时程数据点进行差运算，生成第一矩阵；
根据第二预设公式对所述速度时程数据点进行平均值运算，生成第二矩阵；
根据第三预设公式对所述速度时程数据点进行阈值运算，生成第三矩阵；
对所述第一矩阵、所述第二矩阵和所述第三矩阵进行归一化运算，并将归一化处理后的每一矩阵中的各元素与预设值相乘，生成所述速度时程递归图。
5.如权利要求1所述的一种基于卷积神经网络的桩损伤识别方法，其特征在于，所述神经网络模型，是根据多个样本位置点的样本数据集，结合卷积神经网络训练得到的，具体为：
建立多个样本位置点对应的多个预设样本神经网络模型；
获取多个样本位置点的样本数据集，并将所述样本数据集按照预设比例生成训练集和测试集；
将所述预设位置点的训练集和测试集输入至对应的预设样本神经网络模型进行训练和测试；
选取识别精度较高的预设样本神经网络模型并保存，得到所述神经网络模型。
6.如权利要求5所述的一种基于卷积神经网络的桩损伤识别方法，其特征在于，所述选取识别精度较高的预设样本神经网络模型并保存，得到所述神经网络模型前还包括：
采用步进法对所述预设样本神经网络模型对应的样本速度时程递归图进行滤波，调整生成的样本速度时程递归图，以使输入至所述预设样本神经网络模型的数据集实现取值寻优；
计算所述预设样本神经网络模型的识别准确率，选取识别精度较高的所述预设样本神经网络模型并保存，得到所述神经网络模型。
7.如权利要求1所述的一种基于卷积神经网络的桩损伤识别方法，其特征在于，所述神经网络模型对所述速度时程递归图进行检测，并输出所述待检测桩的损伤参数评估结果，具体为：
将所述速度时程递归图依次输入第一卷积层至第五卷积层；
所述第一卷积层根据预设大小的卷积核和预设步长对所述速度时程递归图进行特征提取，输出第一卷积结果；对所述第一卷积结果使用激活函数，增加所述神经网络模型的非线性，输出第一激活结果；
其余卷积层重复第一卷积层步骤，直至所述第五卷积层输出第五激活结果；所述第五卷积层根据预设步长和预设大小的池化窗口对所述第五激活结果进行特征选择和信息过滤，输出所述第五卷积层池化结果；
第一全连接层根据预设大小的卷积核对所述第五卷积层池化结果进行特征提取，输出第六卷积结果；对所述第六卷积结果使用激活函数，以使所述第一全连接层输出第六激活结果；根据预设步长和预设大小的池化窗口对所述第六激活结果进行池化操作，输出所述第一全连接层池化结果；
第二全连接层根据预设个数的卷积神经元对所述第一全连接层池化结果进行全连接处理，输出全连接处理结果；对所述全连接处理结果使用激活函数，以使所述第二全连接层输出第七激活结果；
对所述第七激活结果进行抑制过拟合操作后输出损伤参数评估结果；
所述损伤参数评估结果包括损伤指数、损伤位置、损伤长度和损伤级别。
8.如权利要求7所述的一种基于卷积神经网络的桩损伤识别方法，其特征在于，对所述第七激活结果进行抑制过拟合操作后，还包括：
剔除异常值后采用平均值作为所述待检测桩的损伤参数评估结果。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述的基于卷积神经网络的桩损伤识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的基于卷积神经网络的桩损伤识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200601.1A CN114358091B (zh) | 2022-03-03 | 2022-03-03 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200601.1A CN114358091B (zh) | 2022-03-03 | 2022-03-03 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114358091A true CN114358091A (zh) | 2022-04-15 |
| CN114358091B CN114358091B (zh) | 2022-06-10 |
Family
ID=81094854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210200601.1A Active CN114358091B (zh) | 2022-03-03 | 2022-03-03 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358091B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114880747A (zh) * | 2022-05-24 | 2022-08-09 | 中交第四航务工程局有限公司 | 一种基于搅拌能耗的水泥搅拌桩土层识别方法 |
| CN117520983A (zh) * | 2023-11-07 | 2024-02-06 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006161363A (ja) * | 2004-12-06 | 2006-06-22 | Shimizu Corp | 杭の設計システム |
| JP2007039879A (ja) * | 2005-07-29 | 2007-02-15 | Tokyo Electric Power Co Inc:The | 杭基礎の損傷割合推定方法、及び、杭基礎の損傷割合推定システム |
| US20150088428A1 (en) * | 2013-09-23 | 2015-03-26 | San Diego State University Research Foundation | Computationally efficient nonlinear structural analysis |
| CN107506564A (zh) * | 2017-10-13 | 2017-12-22 | 北京工业大学 | 考虑竖向波动效应径向非均质土中桩纵向振动分析方法 |
| CN108732242A (zh) * | 2018-05-31 | 2018-11-02 | 大连海事大学 | 基于桩体三维轴对称模型的浮承桩纵向振动分析方法 |
| CN109215633A (zh) * | 2018-10-10 | 2019-01-15 | 四川大学 | 基于递归图分析的腭裂语音鼻漏气的识别方法 |
| CN109372035A (zh) * | 2018-10-24 | 2019-02-22 | 大连海事大学 | 一种基于饱和虚土桩的浮承桩纵向振动分析方法 |
| JP2019032303A (ja) * | 2017-08-07 | 2019-02-28 | 清水建設株式会社 | 杭評価方法 |
| CN110824007A (zh) * | 2019-11-18 | 2020-02-21 | 合肥工业大学 | 一种管桩裂缝检测方法及系统 |
| CN111691358A (zh) * | 2020-06-18 | 2020-09-22 | 河海大学 | 一种重力坝表观裂缝危险性预测方法及系统 |
| CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
| CN112001110A (zh) * | 2019-05-27 | 2020-11-27 | 浙江大学 | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 |
| CN112199905A (zh) * | 2020-09-30 | 2021-01-08 | 长沙理工大学 | 一种饱和土中二维嵌岩桩轴对称动力响应的确定方法 |
| 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 |
| CN112663689A (zh) * | 2020-12-16 | 2021-04-16 | 浙江大学 | 一种高承台桩基础多测点低应变检测方法 |
| CN112926727A (zh) * | 2021-02-10 | 2021-06-08 | 北京工业大学 | 一种单隐层ReLU神经网络局部极小值的求解方法 |
| CN113065188A (zh) * | 2021-04-08 | 2021-07-02 | 佛山市顺德区建设工程质量安全监督检测中心有限公司 | 基于机器学习的沉桩过程评估方法、存储介质及电子设备 |
| CN113607325A (zh) * | 2021-10-09 | 2021-11-05 | 武汉地震工程研究院有限公司 | 一种钢结构螺栓群松动定位智能监测方法及系统 |
| CN113887109A (zh) * | 2021-10-20 | 2022-01-04 | 上海大学 | 用于桩基在爆炸动荷下稳定分析的解析计算方法 |
| CN114084199A (zh) * | 2022-01-20 | 2022-02-25 | 浙江中自庆安新能源技术有限公司 | 一种基于递归图分析的列车稳定性评估方法及系统 |
-
2022
- 2022-03-03 CN CN202210200601.1A patent/CN114358091B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006161363A (ja) * | 2004-12-06 | 2006-06-22 | Shimizu Corp | 杭の設計システム |
| JP2007039879A (ja) * | 2005-07-29 | 2007-02-15 | Tokyo Electric Power Co Inc:The | 杭基礎の損傷割合推定方法、及び、杭基礎の損傷割合推定システム |
| US20150088428A1 (en) * | 2013-09-23 | 2015-03-26 | San Diego State University Research Foundation | Computationally efficient nonlinear structural analysis |
| JP2019032303A (ja) * | 2017-08-07 | 2019-02-28 | 清水建設株式会社 | 杭評価方法 |
| CN107506564A (zh) * | 2017-10-13 | 2017-12-22 | 北京工业大学 | 考虑竖向波动效应径向非均质土中桩纵向振动分析方法 |
| CN108732242A (zh) * | 2018-05-31 | 2018-11-02 | 大连海事大学 | 基于桩体三维轴对称模型的浮承桩纵向振动分析方法 |
| CN109215633A (zh) * | 2018-10-10 | 2019-01-15 | 四川大学 | 基于递归图分析的腭裂语音鼻漏气的识别方法 |
| CN109372035A (zh) * | 2018-10-24 | 2019-02-22 | 大连海事大学 | 一种基于饱和虚土桩的浮承桩纵向振动分析方法 |
| CN112001110A (zh) * | 2019-05-27 | 2020-11-27 | 浙江大学 | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 |
| CN110824007A (zh) * | 2019-11-18 | 2020-02-21 | 合肥工业大学 | 一种管桩裂缝检测方法及系统 |
| CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
| CN111691358A (zh) * | 2020-06-18 | 2020-09-22 | 河海大学 | 一种重力坝表观裂缝危险性预测方法及系统 |
| CN112199905A (zh) * | 2020-09-30 | 2021-01-08 | 长沙理工大学 | 一种饱和土中二维嵌岩桩轴对称动力响应的确定方法 |
| 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 |
| CN112663689A (zh) * | 2020-12-16 | 2021-04-16 | 浙江大学 | 一种高承台桩基础多测点低应变检测方法 |
| CN112926727A (zh) * | 2021-02-10 | 2021-06-08 | 北京工业大学 | 一种单隐层ReLU神经网络局部极小值的求解方法 |
| CN113065188A (zh) * | 2021-04-08 | 2021-07-02 | 佛山市顺德区建设工程质量安全监督检测中心有限公司 | 基于机器学习的沉桩过程评估方法、存储介质及电子设备 |
| CN113607325A (zh) * | 2021-10-09 | 2021-11-05 | 武汉地震工程研究院有限公司 | 一种钢结构螺栓群松动定位智能监测方法及系统 |
| CN113887109A (zh) * | 2021-10-20 | 2022-01-04 | 上海大学 | 用于桩基在爆炸动荷下稳定分析的解析计算方法 |
| CN114084199A (zh) * | 2022-01-20 | 2022-02-25 | 浙江中自庆安新能源技术有限公司 | 一种基于递归图分析的列车稳定性评估方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| LIU LIU等: "Numerical modeling for karst cavity sonar detection beneath bored cast in situ pile using 3D staggered grid finite difference method", 《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》 * |
| SHARAD DADHICH1等: "Prediction of Ultimate Bearing Capacity of Aggregate Pier Reinforced Clay Using Machine Learning", 《INTERNATIONAL JOURNAL OF GEOSYNTHETICS AND GROUND ENGINEERING》 * |
| 何浩祥等: "基于卷积神经网络和递归图的桥梁损伤智能识别", 《应用基础于工程科学学报》 * |
| 姜静等: "双速度法在承台桩系统中的完整性检测研究", 《安徽广播电视大学学报》 * |
| 梁振隆: "基于递归图和卷积神经网络的结构损伤识别研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114880747A (zh) * | 2022-05-24 | 2022-08-09 | 中交第四航务工程局有限公司 | 一种基于搅拌能耗的水泥搅拌桩土层识别方法 |
| CN117520983A (zh) * | 2023-11-07 | 2024-02-06 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
| CN117520983B (zh) * | 2023-11-07 | 2024-05-24 | 浙江大学 | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114358091B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
| CN115393727B (zh) | 一种路面线性裂缝识别方法、电子设备及存储介质 | |
| CN108959794A (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN114266008A (zh) | 桥梁损伤识别方法、装置及终端设备 | |
| Luo et al. | Regularization strategies for contiguous and noncontiguous damage detection of structures | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
| CN117392452A (zh) | 基于图像分析的墙体裂缝检测系统及其方法 | |
| CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
| CN109870404B (zh) | 一种雨棚结构损伤识别方法、装置及终端设备 | |
| Bahreini et al. | Dynamic graph CNN based semantic segmentation of concrete defects and as-inspected modeling | |
| CN114299421A (zh) | 检测螺栓松动的方法、卷积神经网络、训练方法及系统 | |
| Dunphy et al. | Autonomous crack detection approach for masonry structures using artificial intelligence | |
| CN114648520A (zh) | 轨道缺陷的检测方法、系统、电子设备和存储介质 | |
| CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
| Xie et al. | An automatic pixel-level crack identification method for coals experiencing SHPB impact tests | |
| Solís et al. | Analysis of stationary roving mass effect for damage detection in beams using wavelet analysis of mode shapes | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| Jin et al. | Feature Selection Using Tree Model and Classification Through Convolutional Neural Network for Structural Damage Detection | |
| Wei-Chung | A digital imaging algorithm for extracting stress intensity factor from the photoelastic fringe pattern | |
| Jia et al. | Analysis of critical states based on acoustic emission signals during progressive failure of wood | |
| WO2024038624A1 (ja) | 電流波形分析装置及び電流波形分析方法 | |
| CN112184708B (zh) | 精子存活率检测方法及装置 |
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 |