CN117868080A - 一种冲孔灌注桩桩基土层类别自动判别系统及方法 - Google Patents

Abstract

本发明公开一种冲孔灌注桩桩基土层类别自动判别系统及方法，属于土木工程技术领域，该系统包括，传感器组、无线传输模块及远程控制终端，其中所述传感器组与所述无线传输模块连接，所述传感器组与所述无线传输模块设置于所述冲孔灌注桩桩机的冲锤中，所述无线传输模块与所述远程控制终端连接；通过所述远程控制终端接收采用无线传输模块传输的传感器组采集的传感信号，并对所述传感信号进行处理及深度识别，生成土层类别判别结果以实现冲孔灌注桩桩基土层类别自动判别；通过上述技术方案，本发明能够普遍适用于不同区域，同时对冲孔灌注桩桩基土层类别进行自动有效的判别。

Description

一种冲孔灌注桩桩基土层类别自动判别系统及方法

技术领域

本发明涉及土木工程施工中的土层类别识别技术领域，特别涉及一种冲孔灌注桩桩基土层类别自动判别系统及方法。

背景技术

冲孔是用冲击钻机把带钻刃的重钻头(又称冲锤)提高，靠自由下落的冲击力来削切岩层，排出碎渣成孔。在进行冲孔灌注桩施工之前的预先勘探无法充分进行每个冲孔位置下的土层全面的勘探。同时，在冲孔灌注桩施工过程中，通常通过现场施工人员通过人工经验对土层的类别进行判别，存在较大的误差且受到人为因素影响严重，无法对土层类别进行有效判别，同时现有土层自动判别的方式需要预先准备探勘某一区域的标准土层数据，过程繁琐，同一地区的数据无法做到普遍适用。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种冲孔灌注桩桩基土层类别自动判别系统及方法，能够普遍适用于不同区域，同时对冲孔灌注桩桩基土层类别进行自动有效的判别。

为了实现上述技术目的，本发明提供了如下技术方案：一种冲孔灌注桩桩基土层类别自动判别系统，包括：

传感器组、无线传输模块及远程控制终端，其中所述传感器组与所述无线传输模块连接，所述传感器组与所述无线传输模块设置于所述冲孔灌注桩桩机的冲锤中，所述无线传输模块与所述远程控制终端连接；通过所述远程控制终端接收采用无线传输模块传输的传感器组采集的传感信号，并对所述传感信号进行处理及深度识别，生成土层类别判别结果以实现冲孔灌注桩桩基土层类别自动判别。

可选的，所述传感器组包括振动传感器及加速度传感器，通过所述振动传感器对所述采集所述冲锤与土层冲击过程中反馈的振动传感信号，通过所述加速度传感器采集加速度传感信号。

可选的，所述远程控制终端包括计算机、显示器及存储器；其中所述计算机用于对传感信号进行预处理及深度识别，生成土层类别判别结果，所述显示器用于对土层类别判别结果进行可视化展示，所述存储器用于对所述传感信号、土层类别判别结果进行存储。

为了更好的实现上述技术目的，本发明还提供了一种冲孔灌注桩桩基土层类别自动方法，包括：

通过所述传感器组采集所述传感信号，并通过无线传输模块将所述传感信号传输给远程控制终端，通过所述远程控制终端对所述传感信号进行截取，基于截取结果得到特征数据，对所述特征数据通过深度学习模型进行深度识别，得到土层类别判别结果以实现冲孔灌注桩桩基土层类别自动判别。

可选的，特征数据的获取的过程包括：

对所述振动传感信号及加速度传感信号进行时间同步，基于加速度传感信号并根据冲锤下降过程对应时间获取冲击瞬时速度，并截取冲锤冲击过程对应时间并结合固定时间的振动传感信号及加速度传感信号，对所述瞬时速度及振动截取后的传感信号进行整合，并将整合结果结合设备参数作为不同冲击过程对应的特征数据。

可选的，所述深度学习模型的构建过程包括：

将若干次冲击过程对应的特征数据作为深度学习模型的输入参数，将土层类别作为深度学习模型的输出参数，其中所述深度学习模型采用全连接神经网络。

可选的，通过深度学习模型进行深度识别之前还包括:

获取不同冲击过程对应的历史特征数据及土层类别标签，根据冲击次数对所述不同冲击过程对应的历史特征数据及土层类别标签进行整合，单次冲击数据集及多次冲击数据集，通过所述单次冲击数据集对所述深度学习模型进行训练及验证，对所述验证结果高的前若干个深度学习模型进行保留，并将通过多次冲击数据集对所述保留的深度学习模型进行训练及验证，根据验证精度，生成最优深度学习模型，采用最优深度学习模型对所述特征数据进行深度识别。

可选的，对所述传感信号进行截取之前还包括：对所述传感信号进行去噪处理。

可选的，得到土层类别判别结果之后还包括：

对所述土层类别判别结果进行可视化处理，生成可视化数据。

可选的，得到土层类别判别结果之后还包括：

对所述土层类别判别结果、特征数据及可视化数据进行存储，其中，在存储的过程中，获取土层类别识别对应的地区、工程编号、孔位编号，通过对地区构建不同的对应目录，并在不同目录下，根据工程编号、孔位编号、存储数据进行依次对应分级，在不同分级下构建不同文件，以生成存储结构，通过存储结构对所述地区、工程编号、孔位编号、存储的数据进行存储。

本发明具有如下技术效果：

本发明上述系统，针对施工过程中每个冲孔对应的冲锤，通过传感器组自动化的数据采集，能够有效采集每个冲孔下的土层所反馈的传感信号，并通过无线传输模块远程传输数据到远程控制终端，远程控制终端通过数据处理及深度识别自动有效的对土层类别进行识别，能够减少人为经验判定所产生的误差，并通过深度识别方式，拟合传感信号时序特征下与土层类别之间的相关联系，不需要单独针对每个区域进行标准数据的单独构建和对比，同时时序特征只与土层类别具有相关联系，并不会因为地区的变动而产生变化，所以能够适用于普遍区域，而不是针对的特点区域。

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为本发明实施例提供的方法流程示意图。

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。

本发明主要解决如下相关具体技术问题：在进行冲孔灌注桩施工之前需要相关专业人员对当前地质进行地勘设计以对当前地质进行土层类别的预先勘探。预先勘探过程中，需要通过钻孔采样的方式对当前区域进行不同位置的采样，但是由于不同地理位置、不同地质土层厚度分布的关系，其只能够勘探并后续分析出该区域的大概土层类别分布，无法全面覆盖且勘探出每一个后续冲孔灌注桩施工过程中的每个冲孔下的土层类别分布。

在冲孔灌注桩施工过程中，通常通过现场施工人员通过人工经验根据冲孔灌注桩施工过程中的打孔速度、声音对当前的土层进行判断，存在较大的误差且和受到人为因素影响严重，同时冲孔灌注桩施工中的沉渣只能够通过认为经验或者相关测量其对应的土层类别，无法有效自动识别持力层。

在现有技术中，土层类别自动判别方式通过在重锤中布设相关频率采集器以采集相关的频率与预先存储于数据库中的频率数据进行对比的方式，但是前提是同一地区土层的密实度变化不大，其频率变化幅度小，针对不同的地区，需要预先通过相关多点试验来形成针对该地区的标准土层数据以实现对比，预先设置的试验工程较为繁琐。

实施例一

针对上述问题，本发明提供了如下的相关技术方案：一种冲孔灌注桩桩基土层类别自动判别系统，包括：传感器组、无线传输模块及远程控制终端，其中所述传感器组与所述无线传输模块连接，所述传感器组与所述无线传输模块设置于所述冲孔灌注桩桩机的冲锤中，所述无线传输模块与所述远程控制终端连接；通过所述远程控制终端接收采用无线传输模块传输的传感器组采集的传感信号，并对所述传感信号进行处理及深度识别，生成土层类别判别结果以实现冲孔灌注桩桩基土层类别自动判别。

作为一些实施例，所述传感器组包括振动传感器及加速度传感器，通过所述振动传感器对所述采集所述冲锤与土层冲击过程中反馈的振动传感信号，通过所述加速度传感器采集加速度传感信号。

具体的，本发明将振动传感器与加速度传感器通过环氧树脂封存于冲孔灌注桩桩机的冲锤中，同样的将上述的无线传输模块同样通过环氧树脂封存于冲锤中，其无线传输模块与所述振动传感器及加速度传感器可通过相关的集成电路进行集成连接，或者采用有线连接的方式进行连接，其封存与连接方式也可采用其他的常规方法进行设置，此处不做赘述。

作为一些实施例，所述远程控制终端包括计算机、显示器及存储器；其中所述计算机用于对传感信号进行预处理及深度识别，生成土层类别判别结果，所述显示器用于对土层类别判别结果进行可视化展示，所述存储器用于对所述传感信号、土层类别判别结果进行存储。

具体的，远程控制终端的主要功能属于后续的数据处理及数据展示及溯源，远程控制终端中计算机主要负责模型的构建及数据处理的方式，显示屏为相关人员提供土层数据的可视化展示及存储数据的可视化溯源，存储器中基于计算机对需要存储的数据进行有序有效存储，方便相关人员的施工过程中数据的溯源操作。

本发明上述系统，针对施工过程中每个冲孔对应的冲锤，通过传感器组自动化的数据采集，能够有效采集每个冲孔下的土层所反馈的传感信号，并通过无线传输模块远程传输数据到远程控制终端，远程控制终端通过数据处理及深度识别自动有效的对土层类别进行识别，能够减少人为经验判定所产生的误差，并通过深度识别方式，拟合传感信号时序特征下与土层类别之间的相关联系，不需要单独针对每个区域进行标准数据的单独构建和对比，同时时序特征只与土层类别具有相关联系，并不会因为地区的变动而产生变化，所以能够适用于普遍区域，而不是针对的特点区域。

实施例二

为了更好的实现上述技术目的，如图1所示，本发明还提供了一种冲孔灌注桩桩基土层类别自动判别方法，包括：

通过所述传感器组采集所述传感信号，并通过无线传输模块将所述传感信号传输给远程控制终端，通过所述远程控制终端对所述传感信号进行截取，基于截取结果得到特征数据，对所述特征数据通过深度学习模型进行深度识别，得到土层类别判别结果以实现冲孔灌注桩桩基土层类别自动判别。

本发明针对的土层类别包括填土层、黏土层、粉土层、淤泥层、砂土层、碎石土层、砾卵石层、岩溶发育岩层或裂隙发育的地层，针对不同土层的类别，由于上述土层的物理性质，如密度、不同颗粒含量的影响，其冲锤冲击过程中其土层反馈的时序振动特性均不相同，其冲击过程虽然时间较短，但是其过程中包含有大量的时序特征，通过对时序特征的相关反演能够得知其土层的类别，针对上述技术思路，本发明通过对振动传感信号和加速度传感信号进行采集及去除无用信息，并提取冲击初始时间下的瞬时速度，结合对应的设备参数，通过深度学习模型反映其对应的拟合关系进而通过深度学习模型对上述的不同特征数据进行识别，以实现土层类别的识别。

作为一些实施例，对所述传感信号进行截取之前还包括：对所述传感信号进行去噪处理。

具体的，传感信号在传输到远程控制终端后，远程控制终端为了对传感信号进行清晰化，需要进行相关的去噪处理，其去噪处理可选择滤波器去噪、小波变换等，去噪处理常规方法即可实现，此处不做赘述。

作为一些实施例，对所述传感信号进行截取的过程包括：

对所述振动传感信号及加速度传感信号进行时间同步，基于加速度传感信号并根据冲锤下降过程对应时间获取冲击瞬时速度，并截取冲锤冲击过程对应时间并结合固定时间的振动传感信号及加速度传感信号，对所述瞬时速度及振动截取后的传感信号进行整合，并将整合结果结合设备参数作为不同冲击过程对应的特征数据。

具体的，振动传感信号和加速度传感信号需要进行时间下的同步，其主要为了后续的数据的截取，在数据截取的过程中，进行固定长度的时间截取，来去除重锤升降过程中，振动信号和加速度信号的冗余部分，同时以固定时间截取，其固定时间可根据人为经验进行确定，但是需要保证冲击过程中的全部信号波动均位于固定时间内，在冲击正演的过程中，会由于冲锤不同尺寸及重量携带初始的冲击速度冲击土层来生成土层对应反馈的振动信号和加速度信号，所以需要考虑土层类别、冲击初始的瞬时速度和设备所使用的冲锤参数同样会对冲击过程中的反馈信号产生影响，即拟合关系中，将瞬时速度和设备参数同样属于判别土层类比的影响因素，所以将瞬时速度和设备参数同样作为深度学习模型的输入参数，设备参数包括冲锤的冲击尺寸和重量等。所以加速度传感器根据下降的时间来进行时域积分来获取冲击时的瞬时速度，将瞬时速度，设备参数、截取的传感信号作为土层类别的特征数据，针对每次冲击过程均采集的特征数据。

作为一些实施例，通过深度学习模型进行深度识别之前还包括:

获取不同冲击过程对应的历史特征数据及土层类别标签，根据冲击次数对所述不同冲击过程对应的历史特征数据及土层类别标签进行整合，单次冲击数据集及多次冲击数据集，通过所述单次冲击数据集对所述深度学习模型进行训练及验证，对所述验证结果高的前若干个深度学习模型进行保留，并将通过多次冲击数据集对所述保留的深度学习模型进行训练及验证，根据验证精度，生成最优深度学习模型，采用最优深度学习模型对所述特征数据进行识别。

作为一些实施例，所述深度学习模型的构建过程包括：

将若干次冲击过程对应的特征数据作为深度学习模型的输入参数，将土层类别作为深度学习模型的输出参数，其中所述深度学习模型采用全连接神经网络。

具体的，本发明通过深度学习模型来拟合特征数据和土层类别之间的联系，其中深度学习模型可采用不同的模型类别进行处理，拟合相关联系的模型具有较多种类，所以需要对上述的模型进行筛选，选择最合适的模型类别或者说结构来进行拟合，从模型类别中保证其识别的有效性，其中，通过在以施工的现场根据上述传感器组和无线传输模块及远程控制终端的设置方式进行系统的设置，采集传感信号和土层类别，并记录瞬时速度和设备参数，传感信号、瞬时速度通过远程控制终端进行信号接收及对加速度进行时域积分的方式进行计算即可，设备参数采用出厂参数，土层类别通过人工测量进行标签添加，其中添加的标签中包括是否为持力层，通过预先采集上述历史特征数据和对应的土层类别标签，将其分别整合为单次冲击数据集和多次冲击数据集。多次冲击数据集中还包括添加有不同土层转换的类别，如填土层向黏土层转换的土层类别。

单次冲击数据集中的单个训练和验证数据为每一次冲击过程中的历史特征数据及对应的土层类别，多次冲击数据集中每份数据为连续多次冲击过程对应的历史特征数据及土层类别，其中多次冲击数据集中的连续多次的次数，可以例如为2、3或4次，通过单次冲击数据集预先对深度学习模型进行训练和验证，将验证结果最好的前若干个模型进行保留，深度学习模型可选择卷积神经网络、时序卷积神经网络、循环卷积神经网络、人工神经网络、全连接神经网络、支持向量机、随机森林算法、决策树算法等，以上为列举不做赘述，同时上述深度学习模型可根据本领域相关经验通过相关软件进行构建及训练验证，此处不同赘述。筛选出单次冲击验证结构较好的模型类别，然后根据不同的连续次数调整输入参数的大小，并重新训练及验证，并将验证结果中精度最好的模型类别作为最优深度学习模型，其中单次验证精度较好的为时序卷积神经网络模型、支持向量机模型或全连接神经网络，本实施例中选择全连接神经网络作为最优深度学习模型。将训练好的最优深度学习模型保存到远程控制终端中，使用最优深度学习模型对采集的特征数据进行深度识别，可直接生成对应的土层类别判别结果。

全连接神经网络中除了对应特征数据与土层类别之间的相关联系进行拟合外，由于其全连接神经网络中的隐藏层的神经元均存在连接，所以同样可以拟合特征数据之间的影响关系，所以其精度要比其他的模型对应土层类别验证精度更加准确，本实施例中所构建的全连接神经网络结构中依次包括输入层、两层隐藏层、两个全连接层，通过softmax函数输出最终结果。其输入参数为针对同一冲孔下连续3次冲击过程对应的振动传感信号、加速度传感信号、瞬时速度及设备参数，输出参数为该冲击过程对应的土层类别。

作为一些实施例，得到土层类别判别结果之后还包括：对所述土层类别判别结果进行可视化处理，生成可视化数据，其中可视化数据可采用三维建模数据、柱形图或者数据表格等格式数据进行可视化显示，方便向相关人员展示。

作为一些实施例，得到土层类别判别结果之后还包括：

对所述土层类别判别结果、特征数据及可视化数据进行存储，其中，在存储的过程中，获取土层类别识别对应的地区、工程编号、孔位编号，通过对地区构建不同的对应目录，并在不同目录下，根据工程编号、孔位编号、存储数据进行依次对应分级，在不同分级下构建不同文件，以生成存储结构，通过存储结构对所述地区、工程编号、孔位编号、存储的数据进行存储。

具体的，将不同地区分别设置不同目录，在对应的地区的目录中，构建工程编号文件，在对应的工程编号文件中，构建孔位编号文件、并在对应孔位编号文件下存储数据即土层类别判别结果、特征数据及可视化数据，当有新的数据需要存储时，重新以上述方案构建目录及文件对数据进行保存，通过在不同目录及文件对上述数据进行有效存储，保证数据的有序性，方便相关人员对数据的溯源及查看，同时可通过对存储中的数据进行提取，并进行人工的土层类别的校准，继续对上述最优深度学习模型进行训练及验证，来提升上述模型的精度。

本发明上述方法通过采集针对同一冲孔下连续的传感信号并结合其他数据作为输入参数，可对每个冲孔进行有效的土层判别，同时使用上述深度识别算法可减少人工经验所造成的误差，同时在训练过程中增加了持力层的类别，深度学习模型在训练中同样可以拟合其持力层与特征数据之间的关系，能够对持力层进行有效的判别，进一步的本发明通过提取时序特征下的特征数据，通过拟合特征数据与土层类别之间的关系，并不需要单独的采集标准数据，能够进行普遍适用。同时提供相关数据存储和可视化展示的方法，方便后续相关人员进行溯源。具有较强的实用性。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种冲孔灌注桩桩基土层类别自动判别系统，其特征在于，包括：

传感器组、无线传输模块及远程控制终端，其中所述传感器组与所述无线传输模块连接，所述传感器组与所述无线传输模块设置于所述冲孔灌注桩桩机的冲锤中，所述无线传输模块与所述远程控制终端连接；通过所述远程控制终端接收采用无线传输模块传输的传感器组采集的传感信号，并对所述传感信号进行处理及深度识别，生成土层类别判别结果以实现冲孔灌注桩桩基土层类别自动判别。

2.根据权利要求1所述的系统，其特征在于：

所述传感器组包括振动传感器及加速度传感器，通过所述振动传感器对所述采集所述冲锤与土层冲击过程中反馈的振动传感信号，通过所述加速度传感器采集加速度传感信号。

3.根据权利要求1所述的系统，其特征在于：

所述远程控制终端包括计算机、显示器及存储器；其中所述计算机用于对传感信号进行预处理及深度识别，生成土层类别判别结果，所述显示器用于对土层类别判别结果进行可视化展示，所述存储器用于对所述传感信号、土层类别判别结果进行存储。

4.基于权利要求1-3任一项所述的冲孔灌注桩桩基土层类别自动判别系统对应的判别方法，其特征在于，包括：

通过所述传感器组采集所述传感信号，并通过无线传输模块将所述传感信号传输给远程控制终端，通过所述远程控制终端对所述传感信号进行截取，基于截取结果得到特征数据，对所述特征数据通过深度学习模型进行深度识别，得到土层类别判别结果以实现冲孔灌注桩桩基土层类别自动判别。

5.根据权利要求4所述的方法，其特征在于：

特征数据的获取的过程包括：

对所述振动传感信号及加速度传感信号进行时间同步，基于加速度传感信号并根据冲锤下降过程对应时间获取冲击瞬时速度，并截取冲锤冲击过程对应时间并结合固定时间的振动传感信号及加速度传感信号，对所述瞬时速度及振动截取后的传感信号进行整合，并将整合结果结合设备参数作为不同冲击过程对应的特征数据。

6.根据权利要求4所述的方法，其特征在于：

所述深度学习模型的构建过程包括：

将若干次冲击过程对应的特征数据作为深度学习模型的输入参数，将土层类别作为深度学习模型的输出参数，其中所述深度学习模型采用全连接神经网络。

7.根据权利要求6所述的方法，其特征在于：

通过深度学习模型进行深度识别之前还包括:

获取不同冲击过程对应的历史特征数据及土层类别标签，根据冲击次数对所述不同冲击过程对应的历史特征数据及土层类别标签进行整合，单次冲击数据集及多次冲击数据集，通过所述单次冲击数据集对所述深度学习模型进行训练及验证，对所述验证结果高的前若干个深度学习模型进行保留，并将通过多次冲击数据集对所述保留的深度学习模型进行训练及验证，根据验证精度，生成最优深度学习模型，采用最优深度学习模型对所述特征数据进行深度识别。

8.根据权利要求4所述的方法，其特征在于：

对所述传感信号进行截取之前还包括：对所述传感信号进行去噪处理。

9.根据权利要求4所述的方法，其特征在于：

得到土层类别判别结果之后还包括：

对所述土层类别判别结果进行可视化处理，生成可视化数据。

10.根据权利要求9所述的方法，其特征在于：

得到土层类别判别结果之后还包括：

对所述土层类别判别结果、特征数据及可视化数据进行存储，其中，在存储的过程中，获取土层类别识别对应的地区、工程编号、孔位编号，通过对地区构建不同的对应目录，并在不同目录下，根据工程编号、孔位编号、存储数据进行依次对应分级，在不同分级下构建不同文件，以生成存储结构，通过存储结构对所述地区、工程编号、孔位编号、存储的数据进行存储。