CN114460280B - 一种大体积混凝土结构隐患病害的定量识别方法及系统 - Google Patents
一种大体积混凝土结构隐患病害的定量识别方法及系统 Download PDFInfo
- Publication number
- CN114460280B CN114460280B CN202210008524.XA CN202210008524A CN114460280B CN 114460280 B CN114460280 B CN 114460280B CN 202210008524 A CN202210008524 A CN 202210008524A CN 114460280 B CN114460280 B CN 114460280B
- Authority
- CN
- China
- Prior art keywords
- signal
- hidden danger
- domain
- disease
- receiving 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 83
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000010521 absorption reaction Methods 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 17
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Food Science & Technology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Ceramic Engineering (AREA)
- Computational Linguistics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种大体积混凝土结构隐患病害的定量识别方法及系统，通过现场测试确定大体积混凝土结构域中的检测域范围；建立含边界吸收层的检测域的离散数值模型，模拟检测域内含不同隐患病害Yi时，在发射点输入波动信号F(t)时接收点的接收信号Xi(t)；构建表征Yi与Xi(t)之间非线性映射关系的数学模型；在真实结构中的发射点输入波动信号F(t)记录测试得到的接收点信号Xm(t)；将接收点信号Xm(t)输入构建的数学模型中，输出表征真实结构内隐患病害的几何信息。优点：通过结合现场测试和数值模拟可定量地检测出大体积混凝土结构中的隐患病害，对结构本身无任何破坏作用，通过检测结果可诊断大体积混凝土结构中隐患病害的危险性等级。
Description
技术领域
本发明涉及一种大体积混凝土结构隐患病害的定量识别方法及系统，属于工程结构的健康监测技术领域。
背景技术
随着大体积混凝土结构年龄的增长，在设计、施工及运行管理过程中存在的诸多不合理因素以及混凝土材料自身性能劣化等影响下，大体积混凝土结构不可避免地会暴露出先天和后天的缺陷或病害隐患。
基于波传播理论的常规无损检测方法(如：瑞利波检测技术、超声波检测技术、CT检测技术)已广泛应用于大体积混凝土结构的无损检测中，波在混凝土介质中传播时的观测信号携带有关混凝土材料性质、内部结构及组成的信息，然而受制于测试手段和技术，观测信号的解释是异常困难的，且检测结果仅能粗略判断缺陷是否存在，并不能较为准确地给出缺陷的具体位置和大小，期望通过对这些信号的解译定量地识别混凝土中的缺陷情况难度较大。
近年来发展的基于计算力学方法和智能优化算法的结合为结构内部缺陷的无损检测提供了一条新的途径，然而，该方法需要进行正分析和目标函数最小化迭代过程，在目标函数最小化迭代过程中易于陷入局部最优解，且迭代优化过程计算代价昂贵，此外，对于大体积混凝土结构由于体积庞大、结构形式异常复杂，对结构全域进行数值离散时在网格剖分及边界条件处理等方面难度极大。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种大体积混凝土结构隐患病害的定量识别方法及系统。
为解决上述技术问题，本发明提供一种大体积混凝土结构隐患病害的定量识别方法，包括：
获取实测的接收点信号Xm(t)输入到预先构建的非线性映射关系模型中，输出对应的Ym，Ym即为表征真实结构内隐患病害的几何信息；
所述非线性映射关系模型的构建，包括：
对待检测大体积混凝土结构域进行识别，确定结构域中缺陷的存在方位；
根据结构域的几何维度以及所述缺陷的存在方位确定检测域的几何维度；
根据检测域范围，建立含边界吸收层的检测域的离散数值模型，并依据现场环境条件确定检测域中信号发射点和信号接收点的位置；
根据所述检测域中信号发射点和信号接收点的位置确定真实结构中的信号发射点和信号接收点的位置；
在真实结构中的信号发射点处输入波动信号F(t)，在真实结构中的信号接收点处采集接收点信号Xn(t)；
在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi，根据所述波动信号F(t)模拟含隐患病害的检测域中的波传播过程，通过所述离散数值模型进行数值计算获得接收点的输出响应信号Xi(t)，生成一对数据集(Xi(t),Yi)；通过反复执行生成数据集(Xi(t),Yi)的过程，直至生成满足条件的N对数据集(Xi(t),Yi),i＝1,2,…,N；
建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型。
进一步的，所述检测域几何维度至少有一条边界为结构域边界。
进一步的，所述边界吸收层为可模拟波在无限域中传播的吸收边界，且边界吸收层厚度aw为
lmin为检测域中边界的最小值。
进一步的，所述输入信号F(t)包括纵波主频fs和横波主频fp，所述纵波主频fs和横波主频fp的确定过程包括：
根据待检测大体积混凝土结构域的混凝土材料的质量密度ρ、弹性模量E和泊松比ν，通过下式计算混凝土介质中纵波波速cs和横波波速cp
通过下式计算输入信号F(t)的两个主频fs和fp，
fs＝cs/aw，fp＝cp/aw。
进一步的，所述N对数据集中N的取值依据待检测的隐患病害的几何参数个数n确定，N＝η×2n，η取50到200之间的任意整数。
进一步的，所述建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型，包括：
采用数学模型建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型。
进一步的，所述获取实测的接收点信号Xn(t)输入到预先构建的非线性映射关系模型中，输出对应的Yn，包括：
反复将实测的接收点信号Xm(t)输入到所述预先构建的非线性映射关系模型中，输入次数N≥2000，获取输出的N个Yn值；
计算置信水平为95％的N个Yn样本中每个几何量的置信区间，取置信区间中值为表征真实结构内隐患病害的几何信息。
进一步的，所述几何信息Yi，包括：
若结构内隐患病害为空洞，则采用几何形体拟合实际结构内的空洞；若结构内隐患病害为裂纹，则采用线段拟合实际结构内的裂纹。
一种大体积混凝土结构隐患病害的定量识别系统，包括：
获取模块，用于获取实测的接收点信号Xm(t)；
处理模块，用于将接收点信号Xm(t)输入到预先构建的非线性映射关系模型中，输出对应的Ym，Ym即为表征真实结构内隐患病害的几何信息；
所述处理模块包括：
模型构建单元，用于对待检测大体积混凝土结构域进行识别，确定结构域中缺陷的存在方位；根据结构域的几何维度以及所述缺陷的存在方位确定检测域的几何维度；根据检测域范围，建立含边界吸收层的检测域的离散数值模型，并依据现场环境条件确定检测域中信号发射点和信号接收点的位置；根据所述检测域中信号发射点和信号接收点的位置确定真实结构中的信号发射点和信号接收点的位置；在真实结构中的信号发射点处输入波动信号D(t)，在真实结构中的信号接收点处采集接收点信号Xn(t)；在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi，根据所述波动信号F(t)模拟含隐患病害的检测域中的波传播过程，通过所述离散数值模型进行数值计算获得接收点的输出响应信号Xi(t)，生成一对数据集(Xi(t),Yii；通过反复执行生成数据集(Xi(t),Yi)的过程，直至生成满足条件的N对数据集(Xi(t),Yi),i＝1,2,…,N；建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型。
本发明所达到的有益效果：
本发明通过结合现场测试和数值模拟可定量地检测出大体积混凝土结构中的隐患病害，本方法对结构本身无任何破坏作用，通过检测结果可诊断大体积混凝土结构中隐患病害的危险性等级，为进一步工程病险隐患处理措施的决策提供依据。
附图说明
图1为本发明的定量识别方法的流程示意图；
图2为含缺陷重力坝几何尺寸及检测域示意图；
图3为检测域中边界吸收层、信号发射点及接收点示意图；
图4为检测域有限元计算网格；
图5为输入波动信号F(t)；
图6为深度学习网络结构图；
图7为根据置信区间中值确定的识别缺陷。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
一种大体积混凝土结构隐患病害的定量识别方法，包括以下步骤：
步骤1.1)进行首轮现场测试，通过现场测试技术进行待检测大体积混凝土结构(结构域)的系统识别，确定结构域中缺陷的存在及存在缺陷的方位；
步骤1.2)根据系统识别结果及结构域几何维度，确定检测域范围；
步骤1.3)根据检测域的几何维度，建立含边界吸收层的检测域的离散数值模型，并依据现场环境条件确定检测域中信号发射点和接收点的位置；
步骤1.4)进行二轮现场测试，在真实结构中，对应数值模拟中检测域的信号发射点在现场该点处输入波动信号F(t)，通过在接收点的位置粘贴的传感器记录测试得到的接收点信号Xm(t)；
步骤1.5)在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi(比如：若结构内隐患病害为空洞，可采用圆形、椭圆形、多边形等几何形体拟合实际结构内的空洞，圆形可通过圆心及半径即可唯一确定其几何信息，椭圆形可通过椭圆中心、长半轴、短半轴、方位角唯一确定其几何信息，多边形可通过多边形顶点位置唯一确定其几何信息；再比如：若结构内隐患病害为裂纹，可通过裂纹的两个端点位置唯一确定其几何信息)，通过在检测域中信号发射点输入步骤1.4)所述波动信号F(t)，采用数值方法(如：有限元法、扩展有限元法、比例边界有限元法、无网格法等)模拟含隐患病害的检测域中的波传播过程，获得接收点的输出响应信号Xi(t)，此时生成一对数据集(Xi(t),Yi)。通过反复执行上述步骤，在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi，并获得接收点的输出响应信号Xi(t)，直至生成满足条件的N对数据集(Xi(t),Yi),i＝1,2,…,N；
步骤1.6)采用数学模型建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系，即给定Xi(t)，可输出对应的Yi；
步骤1.7)将步骤1.4)中实测的接收点信号Xm(t)输入步骤1.6)的数学模型中，输出对应的Ym，Ym即为表征真实结构内隐患病害的几何信息。
步骤1.1)中的现场测试技术可为超声波检测技术、瑞利波检测技术、CT检测技术、雷达探测等。
步骤1.2)中的确定检测域时应至少有一条边界为结构域边界。
步骤1.3)中的边界吸收层为可模拟波在无限域中传播的吸收边界且边界吸收层厚度aw为
(lmin为检测域中边界的最小值)。
步骤1.4)中的现场测试技术为基于波传播理论的检测技术，如瑞利波检测技术、CT检测技术等。
步骤1.4)中的输入信号F(t)的两个主频fs和fp确定方法为
根据待检测大体积混凝土结构的混凝土材料的质量密度ρ、弹性模量E和泊松比ν，通过下式计算混凝土介质中纵波波速cs和横波波速cp
输入信号F(t)的两个主频fs和fp可通过下式计算
fs＝cs/aw，fp＝cp/aw
步骤1.5)中所述的N对数据集，N的确定与待检测的隐患病害的几何参数个数n有关，N＝η×2n，η可取50到200之间的任意整数。
步骤1.6)中所述的数学模型应为具有统计意义的不确定性的数学模型，可为回归模型、基于人工神经网络的机器学习模型等。
步骤1.7)中Ym输出值为满足检测要求的置信区间，具体获取方式包括以下步骤：
反复将步骤1.4)中实测的接收点信号Xm(t)输入步骤1.6)所述的数学模型中，输入次数N≥2000，获取输出的N个Ym值；
计算置信水平为95％的N个Ym样本中每个几何量的置信区间。
实施例
如图1所示为一种大体积混凝土结构隐患病害的定量识别方法的流程图，以大体积混凝土重力坝为例，其特征在于，包括以下步骤：
步骤1.1)进行首轮现场测试，通过现场测试技术进行待检测大体积混凝土结构(结构域)的系统识别，确定结构域中缺陷的存在及存在缺陷的方位，如图1所示，通过探地雷达现场测试可初步判定在距重力坝坝顶30m～40m范围有一孔洞状缺陷的存在；
步骤1.2)如图1，根据系统识别结果及结构域几何维度，确定检测域范围，检测域范围为ABCDE所围区域，AB边界为重力坝上游面部分区段，CDE边界为重力坝下游面部分区段，AB边界和CDE边界均为结构域边界；
步骤1.3)根据检测域的几何维度，建立含边界吸收层的检测域的离散数值模型，检测域最小边界AB长度为lmin＝10m，边界吸收层厚度取
并依据现场环境条件确定检测域中信号发射点和接收点的位置位于CDE边界上，如图2所示，图3为数值计算时检测域的有限元网格；
步骤1.4)进行二轮现场测试，在真实结构中，对应数值模拟中检测域的信号发射点在现场该点处输入波动信号F(t)，通过在接收点的位置粘贴的传感器记录测试得到的接收点信号Xn(t)；
混凝土的杨氏模量为E＝31.027GPa，泊松比ν＝0.15，质量密度ρ＝2643kg/m3，通过下式计算混凝土介质中纵波波速cs和横波波速cp
输入信号F(t)的两个主频fs和fp可通过下式计算
fs＝cs/aw＝1129.61Hz，fp＝cp/aw＝1760.37Hz
如图5所示，输入信号F(t)由两主频为fs和fp的经汉宁窗过滤的正弦信号，可表达为
步骤1.5)用椭圆形拟合实际结构内的空洞，在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi＝{xei,yei,ai,bi,θi}，参数个数n＝5，(xei,yei)为椭圆中心点坐标，ai为椭圆长半轴，bi为椭圆短半轴，θi为椭圆方位角。通过在检测域中信号发射点输入图5所示波动信号F(t)，采用扩展有限元法仿真模拟含隐患病害的检测域中的波传播过程，获得接收点的输出响应信号Xi(t)，此时生成一对数据集(Xi(t),Yi)。反复执行上述步骤，在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi，并获得接收点的输出响应信号Xi(t)，生成满足条件的N＝3200对数据集(Xi(t),Yi),＝1,2,…,；满足条件，N＝η×2n，η取100。
步骤1.6)如图6所示，建立深度学习网络结构模型，采用深度学习技术建立N＝3200对数据集中Xi(t)和Yi之间隐式的非线性映射关系，即通过将Xi(t)输入深度学习模型，可输出对应的Yi；
步骤1.7)将实测的接收点信号Xm(t)多次重复输入到深度学习模型中，输入2000次，输出对应的2000个不同的Ym＝{xem,yem,am,bm,θm}，求出这2000个样本置信水平为95％的置信区间，如表1所示。取置信区间中值，即Ym＝{14.86m,57.73m,1.95m,0.74m,12.75°}，识别的缺陷如图7所示。
表1用于表征缺陷几何特征的物理量的置信区间
相应的本发明还提供一种大体积混凝土结构隐患病害的定量识别系统，包括：
获取模块，用于获取实测的接收点信号Xm(t)；
处理模块，用于将接收点信号Xm(t)输入到预先构建的非线性映射关系模型中，输出对应的Ym，Ym即为表征真实结构内隐患病害的几何信息；
所述处理模块包括：
模型构建单元，用于对待检测大体积混凝土结构域进行识别，确定结构域中缺陷的存在方位；根据结构域的几何维度以及所述缺陷的存在方位确定检测域的几何维度；根据检测域范围，建立含边界吸收层的检测域的离散数值模型，并依据现场环境条件确定检测域中信号发射点和信号接收点的位置；根据所述检测域中信号发射点和信号接收点的位置确定真实结构中的信号发射点和信号接收点的位置；在真实结构中的信号发射点处输入波动信号F(t)，在真实结构中的信号接收点处采集接收点信号Xn(t)；在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi，根据所述波动信号F(t)模拟含隐患病害的检测域中的波传播过程，通过所述离散数值模型进行数值计算获得接收点的输出响应信号Xi(t)，生成一对数据集(Xi(t),Yi)；通过反复执行生成数据集(Xi(t),Yi)的过程，直至生成满足条件的N对数据集(Xi(t),Yi),i＝1,2,…,N；建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型。
本发明的无损检测方法可应用于土木、水利工程中大体积混凝土结构的检测。本发明通过结合现场测试和数值模拟可定量地检测出大体积混凝土结构中的隐患病害，本方法对结构本身无任何破坏作用，通过检测结果可诊断大体积混凝土结构中隐患病害的危险性等级，为进一步工程病险隐患处理措施的决策提供依据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种大体积混凝土结构隐患病害的定量识别方法，其特征在于，包括：
获取实测的接收点信号Xm(t)输入到预先构建的非线性映射关系模型中，输出对应的Ym，Ym即为表征真实结构内隐患病害的几何信息；
所述非线性映射关系模型的构建，包括：
对待检测大体积混凝土结构域进行识别，确定结构域中缺陷的存在方位；
根据结构域的几何维度以及所述缺陷的存在方位确定检测域的几何维度；
根据检测域范围，建立含边界吸收层的检测域的离散数值模型，并依据现场环境条件确定检测域中信号发射点和信号接收点的位置；
根据所述检测域中信号发射点和信号接收点的位置确定真实结构中的信号发射点和信号接收点的位置；
在真实结构中的信号发射点处输入波动信号F(t)，在真实结构中的信号接收点处采集接收点信号Xn(t)；
在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi，根据所述波动信号F(t)模拟含隐患病害的检测域中的波传播过程，通过所述离散数值模型进行数值计算获得接收点的输出响应信号Xi(y)，生成一对数据集(Ci(y),Yi)；通过反复执行生成数据集(Xi(t),Yi)的过程，直至生成满足条件的N对数据集(Xi(t),Yi),i＝1,2,…,N；
建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型；
所述边界吸收层为可模拟波在无限域中传播的吸收边界，且边界吸收层厚度aw为
lmin为检测域中边界的最小值。
2.根据权利要求1所述的大体积混凝土结构隐患病害的定量识别方法，其特征在于，所述检测域几何维度至少有一条边界为结构域边界。
3.根据权利要求2所述的大体积混凝土结构隐患病害的定量识别方法，其特征在于，所述输入信号F(t)包括纵波主频fs和横波主频fp，所述纵波主频fs和横波主频fp的确定过程包括：
根据待检测大体积混凝土结构域的混凝土材料的质量密度ρ、弹性模量E和泊松比ν，通过下式计算混凝土介质中纵波波速cs和横波波速cp
通过下式计算输入信号F(t)的两个主频fs和fp，
fs＝cs/aw，fp＝cp/aw。
4.根据权利要求1所述的大体积混凝土结构隐患病害的定量识别方法，其特征在于，所述N对数据集中N的取值依据待检测的隐患病害的几何参数个数n确定，N＝η×2n，η取50到200之间的任意整数。
5.根据权利要求1所述的大体积混凝土结构隐患病害的定量识别方法，其特征在于，所述建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型，包括：
采用数学模型建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型。
6.根据权利要求1所述的大体积混凝土结构隐患病害的定量识别方法，其特征在于，所述获取实测的接收点信号Xn(t)输入到预先构建的非线性映射关系模型中，输出对应的Yn，包括：
反复将实测的接收点信号Xm(t)输入到所述预先构建的非线性映射关系模型中，输入次数N≥2000，获取输出的N个Yn值；
计算置信水平为95％的N个Yn样本中每个几何量的置信区间，取置信区间中值为表征真实结构内隐患病害的几何信息。
7.根据权利要求1所述的大体积混凝土结构隐患病害的定量识别方法，其特征在于，所述几何信息Yi，包括：
若结构内隐患病害为空洞，则采用几何形体拟合实际结构内的空洞；若结构内隐患病害为裂纹，则采用线段拟合实际结构内的裂纹。
8.一种大体积混凝土结构隐患病害的定量识别系统，其特征在于，包括：
获取模块，用于获取实测的接收点信号Xm(t)；
处理模块，用于将接收点信号Xm(t)输入到预先构建的非线性映射关系模型中，输出对应的Ym，Ym即为表征真实结构内隐患病害的几何信息；
所述处理模块包括：
模型构建单元，用于对待检测大体积混凝土结构域进行识别，确定结构域中缺陷的存在方位；根据结构域的几何维度以及所述缺陷的存在方位确定检测域的几何维度；根据检测域范围，建立含边界吸收层的检测域的离散数值模型，并依据现场环境条件确定检测域中信号发射点和信号接收点的位置；根据所述检测域中信号发射点和信号接收点的位置确定真实结构中的信号发射点和信号接收点的位置；在真实结构中的信号发射点处输入波动信号F(t)，在真实结构中的信号接收点处采集接收点信号Xn(t)；在检测域中随机生成能够表征结构域内隐患病害的几何信息Yi，根据所述波动信号F(t)模拟含隐患病害的检测域中的波传播过程，通过所述离散数值模型进行数值计算获得接收点的输出响应信号Xi(t)，生成一对数据集(Xi(t),Yi)；通过反复执行生成数据集(Xi(t),Yi)的过程，直至生成满足条件的N对数据集(Xi(t),Yi),＝1,2,…,N；建立N对数据集中Xi(t)和Yi之间的显式或隐式的非线性映射关系模型；
所述边界吸收层为可模拟波在无限域中传播的吸收边界，且边界吸收层厚度aw为
lmin为检测域中边界的最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008524.XA CN114460280B (zh) | 2022-01-05 | 2022-01-05 | 一种大体积混凝土结构隐患病害的定量识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008524.XA CN114460280B (zh) | 2022-01-05 | 2022-01-05 | 一种大体积混凝土结构隐患病害的定量识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114460280A CN114460280A (zh) | 2022-05-10 |
| CN114460280B true CN114460280B (zh) | 2022-12-20 |
Family
ID=81409547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210008524.XA Active CN114460280B (zh) | 2022-01-05 | 2022-01-05 | 一种大体积混凝土结构隐患病害的定量识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114460280B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108168923A (zh) * | 2017-11-30 | 2018-06-15 | 青岛理工大学 | 一种混凝土重力危坝溃坝风险的测定方法 |
| CN108548868A (zh) * | 2018-03-01 | 2018-09-18 | 上海交通大学 | 钢壳混凝土结构缺陷检测方法、系统及装置与存储介质 |
| CN112767357A (zh) * | 2021-01-20 | 2021-05-07 | 沈阳建筑大学 | 一种基于Yolov4的混凝土结构病害检测方法 |
| CN113325079A (zh) * | 2021-06-24 | 2021-08-31 | 上海交通大学设计研究总院有限公司 | 基于瑞利波能量衰减的混凝土裂纹绝对尺寸量化检测方法 |
-
2022
- 2022-01-05 CN CN202210008524.XA patent/CN114460280B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108168923A (zh) * | 2017-11-30 | 2018-06-15 | 青岛理工大学 | 一种混凝土重力危坝溃坝风险的测定方法 |
| CN108548868A (zh) * | 2018-03-01 | 2018-09-18 | 上海交通大学 | 钢壳混凝土结构缺陷检测方法、系统及装置与存储介质 |
| CN112767357A (zh) * | 2021-01-20 | 2021-05-07 | 沈阳建筑大学 | 一种基于Yolov4的混凝土结构病害检测方法 |
| CN113325079A (zh) * | 2021-06-24 | 2021-08-31 | 上海交通大学设计研究总院有限公司 | 基于瑞利波能量衰减的混凝土裂纹绝对尺寸量化检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于SBFEM和深度学习的裂纹状缺陷反演模型;江守燕 等;《力学学报》;20211030;第53卷(第10期);第2724-2735页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114460280A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zaki et al. | Non-destructive evaluation for corrosion monitoring in concrete: A review and capability of acoustic emission technique | |
| Yang et al. | Hybrid two‐step method of damage detection for plate‐like structures | |
| Aldrin et al. | Protocol for reliability assessment of structural health monitoring systems incorporating model-assisted probability of detection (MAPOD) approach | |
| CN106769818A (zh) | 一种基于代数迭代重建算法的铝合金结构腐蚀损伤监测方法 | |
| Pyle et al. | Uncertainty quantification for deep learning in ultrasonic crack characterization | |
| Yu et al. | Application of kernel density estimation in lamb wave-based damage detection | |
| CN110362886A (zh) | 一种基于不确定性分析的城镇砌体住宅安全评估方法 | |
| Alves et al. | A fast and efficient feature extraction methodology for structural damage localization based on raw acceleration measurements | |
| CN111598170A (zh) | 考虑模型选择不确定性的裂纹检出概率评估方法 | |
| Shamsudin et al. | Application of Bayesian estimation to structural health monitoring of fatigue cracks in welded steel pipe | |
| Acciani et al. | Nondestructive evaluation of defects in concrete structures based on finite element simulations of ultrasonic wave propagation | |
| CN117007681B (zh) | 超声波探伤方法及系统 | |
| Wilcox et al. | Progress towards a forward model of the complete acoustic emission process | |
| Rather et al. | Application of acoustic emission as damage assessment technique for performance evaluation of concrete structures: a review | |
| Ryuzono et al. | Performance evaluation of crack identification using density-based topology optimization for experimentally visualized ultrasonic wave propagation | |
| CN114460280B (zh) | 一种大体积混凝土结构隐患病害的定量识别方法及系统 | |
| JPH0484754A (ja) | 材料の健全性評価法 | |
| Rabiei | A Bayesian framework for structural health management using acoustic emission monitoring and periodic inspections | |
| Shou-yan et al. | Crack depth detection of massive structures based on data-driven algorithm | |
| Pollock | A pod model for acoustic emission—Discussion and status | |
| RU2515130C1 (ru) | Сейсмометрический способ мониторинга технического состояния зданий и/или сооружений | |
| CN110274961A (zh) | 基于pec检测管道微观缺陷非线性声发射系统识别方法 | |
| Keßler et al. | Reliability Assessment of NDT in Civil Engineering–the German Approach for Standardization (normPOD) | |
| Gupta et al. | Multiple damage prediction in tubular rectangular beam model using frequency response-based mode shape curvature with back-propagation neural network | |
| Hamam et al. | Characterization of Fiber Break by Quantitative Acoustic Emission in a Model Carbon/Epoxy Composite. |
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 |