CN117949540A - 一种用于工程检测的密实度检测方法 - Google Patents
一种用于工程检测的密实度检测方法 Download PDFInfo
- Publication number
- CN117949540A CN117949540A CN202410345827.XA CN202410345827A CN117949540A CN 117949540 A CN117949540 A CN 117949540A CN 202410345827 A CN202410345827 A CN 202410345827A CN 117949540 A CN117949540 A CN 117949540A
- Authority
- CN
- China
- Prior art keywords
- detection
- compactness
- echo
- energy
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提出了一种用于工程检测的密实度检测方法，涉及密实度检测技术领域，对检测区域施加弹性波，分别在不同位置采集回波信号，形成多条信号采集路径，分别计算不同信号采集路径的第一波峰的速度倒数，选取第一波峰的速度倒数低于阈值的多条信号采集路径作为检测路径；对检测路径的回波信号进行傅里叶变换及主频提取；选择主频最小的一条检测路径作为重点监测路径，对重点监测路径的回波信号进行能量变换，计算回波总能量熵值；根据总能量熵值，利用梯度预测模型评估检测区域的密实度类别。
Description
技术领域
本发明涉及密实度检测技术领域，尤其涉及一种用于工程检测的密实度检测方法。
背景技术
混凝土通常具有强度高、自重小、耐疲劳等优点,被广泛应用于桥梁、建筑等土木工程结构中。混凝土建筑物的不密实导致预应力筋发生严重锈蚀与桥梁垮塌事故。混凝土建筑物质量直接影响桥梁的安全性和耐久性,因此对混凝土建筑物密实度进行准确地检测十分必要。
目前应用于密实度检测的方法主要有冲击回波法、地质雷达法、超声波法。其中应用最为广泛的方法是冲击法,但该方法应用低频波导致分辨率很低、难以检测复杂混凝土建筑物。金属对电磁波的屏蔽效应导致探地雷达法只适用于塑料管道的检测,且其检测结果易受结构内部钢筋网的影响。传统超声波法检测密实度分为超声透射法和超声回波法。超声透射法在实际检测中有时难以实现需要两个工作面的条件；超声法存在超声传播路径长、信噪比低等问题，采用预埋传感器采集的超声波在时域内的幅值交叠,难以直观地对工况进行识别和评估。
发明内容
为了解决上述技术问题，本发明提出了一种用于工程检测的密实度检测方法，包括如下步骤：
S1、对检测区域施加弹性波，分别在不同位置采集回波信号，形成多条信号采集路径，分别计算不同信号采集路径的第一波峰的速度倒数，选取第一波峰的速度倒数低于阈值的多条信号采集路径作为检测路径；
S2、对检测路径的回波信号进行傅里叶变换及主频提取；
S3、选择主频最小的一条检测路径作为重点监测路径，对所述重点监测路径的回波信号进行能量变换，计算回波总能量熵值；
S4、根据所述总能量熵值，利用梯度预测模型评估检测区域的密实度类别。
进一步地，步骤S1中：设弹性波在检测区域的密实区间的传播速度为Va，在非密实区间内的传播速度为Vb，M个密实区间中的第i个密实区间长度为Lai，N个非密实区间中的第j个非密实区间长度为Lbj，第一波峰的传播时间T为：
；
式中：Ｔ为第一波峰传播时间，La为密实区间总长度，Lb为非密实区间总长度。
进一步地，设弹性波在密实区间的传播速度为Va，在非密实区间内的传播速度为Vb，令Lb＝L，La＝(1-/>)L，则：
；
其中，为密实度，L为非密实区间的总堆积长度，令第一波峰速度倒数S=T/L，则：
；
；
式中：ｋ为速度系数。
进一步地，步骤S3中，提取重点监测路径t时刻的回波位移信号x(t)各个子能量，第j个子能量Ej对应的频带为Uj，j = 0，1，2，…，2J-1，则能量谱的总能量E为:
；
式中，h为普朗克常量，J为能量分解层数；
各个子能量占总能量的概率值Pj为:
；
则总能量熵值H为:
。
进一步地，步骤S4中，所述梯度预测模型L为：
；
如果L的值在某一个类别标签值范围内，则该检测区域密实度状态符合所述类别标签值对应的类别状态；否则，密实度状态不符合所述类别标签值对应的类别状态。
进一步地，步骤S2中，t时刻的回波位移信号x(t)的傅里叶级数的复数形式为：
；
；
其中，P为信号周期，为回波的中心频率，j为虚数，n为展开级数，cn为第n级的系数；
回波信号的频域形式为：
；
从频域形式提取回波主频/>。
相比于现有技术，本发明具有如下有益技术效果：
对检测区域施加弹性波，分别在不同位置采集回波信号，形成多条信号采集路径，分别计算不同信号采集路径的第一波峰的速度倒数，选取第一波峰的速度倒数低于阈值的多条信号采集路径作为检测路径；对检测路径的回波信号进行傅里叶变换及主频提取；选择主频最小的一条检测路径作为重点监测路径，对重点监测路径的回波信号进行能量变换，计算回波总能量熵值；根据总能量熵值，利用梯度预测模型评估检测区域的密实度类别，提高了密实度检测的准确性，且能够直观地对工况进行识别和评估，确保及时发现潜在的危险并采取相应的措施。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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为本发明的用于工程检测的密实度检测方法流程示意图；
图2为本发明的检测区域内部一维模型示意图；
图3为本发明的回波主频在不同密实度通道的特征示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的用于工程检测的密实度检测方法流程示意图，包括如下步骤：
S1、对检测区域施加弹性波，分别在不同位置采集回波信号，形成多条信号采集路径，分别计算不同信号采集路径的第一波峰的速度倒数，选取第一波峰的速度倒数低于阈值的多条信号采集路径作为检测路径。
弹性波波速与建筑物密实度之间的关系是非线性的，在实际检测时会带来较大的误差。为了减少非线性效应的影响，本发明将密实度与弹性波速度倒数相关联，建立两者之间的线性关系，从而对密实度进行研究分析。
将检测区域内部情况进行简化，得到如图2所示的一维模型。
该一维模型将检测区域内部情况简化为密实区间和非密实区间，密实区间长度为Lai，非密实区间长度为Lbj，令，/>，i为M个密实区间中的第i个,j为N个非密实区间中的第j个。
假设弹性波在密实区间的传播速度为Va，在非密实区间内的传播速度为Vb。在仅考虑第一波峰的情况下，第一波峰的传播时间为：
（1）；
式中：Ｔ为第一波峰传播时间。
由于密实度是指材料的固体物质部分的体积占总体积的比例，说明材料体积内被固体物质所充填的程度，反映了材料的致密程度，密实度按下式计算:/> =Lb/L,L为非密实区间的总堆积长度；La为密实区间总长度，Lb为非密实区间总长度。
则有：
Lb＝L，La＝(1-/>)L；
将其代入式（1）后可以得到：
（2）；
令S=T/L，S是第一波峰速度倒数。
代入式（2）后可得：
（3）；
；
式中：k为速度系数。从式（3）可以看出，第一波峰速度倒数S与密实度之间是线性关系。
针对多条采集路径分别计算第一波峰速度倒数，将第一波峰速度倒数低于阈值速度倒数的多条采集路径定为检测路径。
S2、对检测路径的回波信号进行傅里叶变换及主频提取。
弹性波在建筑物内部会产生瞬时传播的低频应力波，在遇到缺陷或分界面时发生反射，当反射波返回到物体表面时，被传感器接收到，通过傅里叶变换(FFT)进行信号分析，从而可确定结构的密实度不好的位置。
弹性波向下传播时，如果建筑物内部密实度高，则其从底部反射回来。若弹性波遇到密实度不良位置时，则冲击回波在向下传播过程中会发生绕射，波来回传播的时间变长，回波主频变小。
由于传感器得到的回波仅是t时刻的位移信号x(t)，还要通过傅里叶变换转换成频域信号，才能得到回波主频。t时刻的回波位移信号x(t)的傅里叶级数的复数形式为：
；
；
其中，P为信号周期，为回波的中心频率，j为虚数，n为展开级数，cn为第n级的系数。
则回波信号的频域形式为：
；
这样就完成了回波信号从时域到频域的转换，从而就能直接从提取回波主频。
回波主频在不同密实度通道的主频特征如图3所示，图3中，a、b分别表示回波在建筑结构中2种典型的传播路径；、/>为相对应这2种传播路径的回波主频。
S3、选择主频最小的一条检测路径作为重点监测路径，对所述重点监测路径的回波信号进行能量变换，计算回波总能量熵值。
能量变换处理是由小波变换发展而来的,相较于小波变换的一种,能量变换处理在高频域和低频域都具有较高的分辨率,因此可以很好地地应用于结构分析。利用能量变换处理对回波信号进行计算得到回波总能量熵值,从而有利于进行不同密实度情况的分类评估。
回波信号是非平稳的,采用能量变换处理手段能够充分挖掘信号所包含的瞬态能量变化,从而更加准确地与不同密实度情况的建立联系。
总能量熵值是数学上的一个较为抽象的概念，是系统内在混乱程度的一种度量。把信息熵看成某种特定的信息出现的概率，如离散随机事件的出现概率。当一个系统的状态越是有序时，这时的信息熵则越低；当一个系统的状态越是无序时，这时的信息熵则越高。由此可知，一个系统的混乱程度和信息熵值的大小存在着对应关系。能量谱可以反映信号在不同频率下的能量分布情况，通过计算不同能量下的熵值，反映信号中包含的有用信息量，可以分析出不同密实度情况。
总能量熵值求解流程如下：
提取重点监测路径t时刻的位移信号x(t)各个子能量Ej，每个子能量Ej对应的频带为Uj(j = 0，1，2，…，2J-1)，求得整个能量谱的总能量E为:
；
式中，h为普朗克常量，J为能量分解层数。
计算各个子频带部分的能量占总能量的概率值Pj为:
；
利用求出的概率值Pj计算总能量熵值H为:
。
S4、根据计算得到的总能量熵值H，利用梯度预测模型评估检测区域的不同密实度类别。
总能量熵值可以很好地表征信号的能量分布情况而且对能量分布的表达更为直观和准确，在不同密实度状态下其信号的能量谱分布是不同的且相应的谱熵不同。
构建梯度预测模型需要收集工程建筑密实度状态的原始数据，包括各种物理特性，如颗粒大小、密度、含水量等，从原始数据中提取有用的特征，以供梯度预测模型使用。例如，如果原始数据是图像，则需要从图像中提取颜色、纹理等特征，从而利用特征信息构建已知密实度状态的样本。
使用已知密实度状态的样本数据，训练梯度预测模型。选择一个适当的机器学习算法，比如神经网络、支持向量机或者决策树等，在模型训练完成后，进一步地对验证模型的性能。优选地，通过一些指标来完成，比如准确率、召回率或者F1分数等。一旦梯度预测模型的性能符合要求，则可以使用该梯度预测模型预测新样本的密实度状态，即将新样本输入到梯度预测模型中，然后得到预测的密实度状态。
具体地，构建梯度预测模型，将上一步骤计算的总能量熵值H作为输入数据输入到梯度预测模型中，判断梯度预测模型的输出是否低于类别标签值，从而判断密实度状态。
梯度预测模型L为：
；
如果L的值在某一个类别标签值范围内，则该检测区域密实度状态符合所述类别标签值对应的类别状态；否则，密实度状态不符合所述类别标签值对应的类别状态。
类别标签值是预设的标准值，用来判断L的值是否在对应范围内。优选地，根据密实度的定义和实际情况，设定类别标签值的范围。例如，将密实度分为三个类别：高、中、低。根据经验和历史数据，设定每个类别的标签值范围。例如，如果标签值为1-3表示低密实度，4-6表示中密实度，7-10表示高密实度，因此可根据计算的L的值来判断其密实度状态。比较L的值和类别标签值的范围，判断密实度状态是否符合对应类别状态。如果L的值在某一类别的标签值范围内，则可以认为密实度状态符合该对应类别状态；否则，密实度状态不符合该对应类别状态。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。
Claims (6)
1.一种用于工程检测的密实度检测方法，其特征在于，包括如下步骤：
S1、对检测区域施加弹性波，分别在不同位置采集回波信号，形成多条信号采集路径，分别计算不同信号采集路径的第一波峰的速度倒数，选取第一波峰的速度倒数低于阈值的多条信号采集路径作为检测路径；
S2、对检测路径的回波信号进行傅里叶变换及主频提取；
S3、选择主频最小的一条检测路径作为重点监测路径，对所述重点监测路径的回波信号进行能量变换，计算回波总能量熵值；
S4、根据所述总能量熵值，利用梯度预测模型评估检测区域的密实度类别。
2.根据权利要求1中所述的密实度检测方法，其特征在于，步骤S1中：设弹性波在检测区域的密实区间的传播速度为Va，在非密实区间内的传播速度为Vb，M个密实区间中的第i个密实区间长度为Lai，N个非密实区间中的第j个非密实区间长度为Lbj，第一波峰的传播时间T为：
式中：La为密实区间总长度，Lb为非密实区间总长度。
3.根据权利要求2中所述的密实度检测方法，其特征在于，设L为非密实区间的总堆积长度，令Lb＝L，La＝(1-/>)L，则：
；
其中，为密实度；
令第一波峰速度倒数S=T/L，则：
；
；
式中：ｋ为速度系数。
4.根据权利要求1中所述的密实度检测方法，其特征在于，步骤S3中，提取重点监测路径t时刻的回波位移信号x(t)的各个子能量，第j个子能量Ej对应的频带为Uj，j = 0，1，2，…，2J-1，则能量谱的总能量E为:
；
式中，h为普朗克常量，J为能量分解层数；
各个子能量占总能量的概率值Pj为:
；
则总能量熵值H为:
。
5.根据权利要求4中所述的密实度检测方法，其特征在于，步骤S4中，所述梯度预测模型L为：
；
如果L的值在某一个类别标签值范围内，则该检测区域密实度状态符合所述类别标签值对应的类别状态。
6.根据权利要求1中所述的密实度检测方法，其特征在于，步骤S2中，t时刻的回波位移信号x(t)的傅里叶级数的复数形式为：
；
；
其中，P为信号周期，为回波的中心频率，j为虚数，n为展开级数，cn为第n级的系数；
回波信号的频域形式为：
；
从频域形式提取回波主频/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410345827.XA CN117949540B (zh) | 2024-03-26 | 2024-03-26 | 一种用于工程检测的密实度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410345827.XA CN117949540B (zh) | 2024-03-26 | 2024-03-26 | 一种用于工程检测的密实度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117949540A true CN117949540A (zh) | 2024-04-30 |
| CN117949540B CN117949540B (zh) | 2024-06-07 |
Family
ID=90792867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410345827.XA Active CN117949540B (zh) | 2024-03-26 | 2024-03-26 | 一种用于工程检测的密实度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117949540B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993021524A1 (de) * | 1992-04-22 | 1993-10-28 | Krautkrämer Gmbh & Co. | Verfahren zur ultraschallprüfung von punktschweissverbindungen von blechen |
| CN105866247A (zh) * | 2016-04-18 | 2016-08-17 | 湖南联智桥隧技术有限公司 | 钢板粘贴密实度检测装置及方法 |
| CN106124632A (zh) * | 2016-07-22 | 2016-11-16 | 山东大学 | 一种基于超声波的混凝土密实性评估方法 |
| CN106959341A (zh) * | 2017-03-16 | 2017-07-18 | 福州大学 | 一种小样本容量的灌浆套筒密实性的超声波检测方法 |
| CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
| CN109541689A (zh) * | 2018-11-30 | 2019-03-29 | 中铁第四勘察设计院集团有限公司 | 一种基于反射波能量特征的介质密实度评价方法 |
| CN114113332A (zh) * | 2018-07-11 | 2022-03-01 | 四川升拓检测技术股份有限公司 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
| CN115130176A (zh) * | 2022-06-16 | 2022-09-30 | 大连理工大学 | 一种基于长期历史气象数据的桥梁温度梯度代表值估计方法 |
| CN115219596A (zh) * | 2022-07-18 | 2022-10-21 | 北京交通大学 | 一种测量捣固稳定作业后道床密实度的智能检测车 |
| CN115341462A (zh) * | 2022-08-24 | 2022-11-15 | 广西路桥工程集团有限公司 | 一种钢管混凝土拱桥管内密实状态检测评估方法及设备 |
| CN117387884A (zh) * | 2023-12-12 | 2024-01-12 | 天津风霖物联网科技有限公司 | 一种基于多传感器数据融合的桥梁挠度测量方法 |
| CN117607251A (zh) * | 2023-11-02 | 2024-02-27 | 四川升拓检测技术股份有限公司 | 利用弹性波能量特征值检测地铁管片注浆密实度的方法 |
-
2024
- 2024-03-26 CN CN202410345827.XA patent/CN117949540B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993021524A1 (de) * | 1992-04-22 | 1993-10-28 | Krautkrämer Gmbh & Co. | Verfahren zur ultraschallprüfung von punktschweissverbindungen von blechen |
| CN105866247A (zh) * | 2016-04-18 | 2016-08-17 | 湖南联智桥隧技术有限公司 | 钢板粘贴密实度检测装置及方法 |
| CN106124632A (zh) * | 2016-07-22 | 2016-11-16 | 山东大学 | 一种基于超声波的混凝土密实性评估方法 |
| CN106959341A (zh) * | 2017-03-16 | 2017-07-18 | 福州大学 | 一种小样本容量的灌浆套筒密实性的超声波检测方法 |
| CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
| CN114113332A (zh) * | 2018-07-11 | 2022-03-01 | 四川升拓检测技术股份有限公司 | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 |
| CN109541689A (zh) * | 2018-11-30 | 2019-03-29 | 中铁第四勘察设计院集团有限公司 | 一种基于反射波能量特征的介质密实度评价方法 |
| CN115130176A (zh) * | 2022-06-16 | 2022-09-30 | 大连理工大学 | 一种基于长期历史气象数据的桥梁温度梯度代表值估计方法 |
| CN115219596A (zh) * | 2022-07-18 | 2022-10-21 | 北京交通大学 | 一种测量捣固稳定作业后道床密实度的智能检测车 |
| CN115341462A (zh) * | 2022-08-24 | 2022-11-15 | 广西路桥工程集团有限公司 | 一种钢管混凝土拱桥管内密实状态检测评估方法及设备 |
| CN117607251A (zh) * | 2023-11-02 | 2024-02-27 | 四川升拓检测技术股份有限公司 | 利用弹性波能量特征值检测地铁管片注浆密实度的方法 |
| CN117387884A (zh) * | 2023-12-12 | 2024-01-12 | 天津风霖物联网科技有限公司 | 一种基于多传感器数据融合的桥梁挠度测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨昌民等: "基于频谱分析和小波包熵值技术的压浆密实度检测与分析", 《建筑结构》, vol. 51, no. 16, 31 August 2021 (2021-08-31), pages 110 - 115 * |
| 黎碧波等: "基于冲击回波法的波纹管孔道密实性评估", 《公路与汽运》, no. 189, 30 November 2018 (2018-11-30), pages 125 - 130 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117949540B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106990018B (zh) | 一种预应力混凝土梁灌浆密实度智能识别方法 | |
| CN109084186B (zh) | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 | |
| Zheng et al. | Monitor concrete moisture level using percussion and machine learning | |
| Zhang et al. | Onset detection of ultrasonic signals for the testing of concrete foundation piles by coupled continuous wavelet transform and machine learning algorithms | |
| Bonal et al. | Wavelet analysis of bender element signals | |
| CN103033567A (zh) | 一种基于导波的管道缺陷信号识别方法 | |
| CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
| Lai et al. | An evaluation of Mahalanobis Distance and grey relational analysis for crack pattern in concrete structures | |
| CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
| CN112327293A (zh) | 一种基于分形特征智能学习的海面目标检测方法 | |
| CN113468804B (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
| Esmaielzadeh et al. | Damage detection of concrete gravity dams using Hilbert-Huang method | |
| Zhong et al. | Recognition and prediction of ground vibration signal based on machine learning algorithm | |
| Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
| Peng et al. | One-dimensional residual convolutional neural network and percussion-based method for pipeline leakage and water deposit detection | |
| CN117949540B (zh) | 一种用于工程检测的密实度检测方法 | |
| Wu et al. | A rapid approach to interpretation of SASW results | |
| Hong et al. | Estimating discharge in gravel‐bed river using non‐contact ground‐penetrating and surface‐velocity radars | |
| CN110231410B (zh) | 锚杆无损检测数据智能解释方法 | |
| Nie et al. | Structural damage detection using wavelet packet transform combining with principal component analysis | |
| Xu et al. | Quantitative assessment of nonstationarity of wind speed signal using recurrence plot | |
| CN109469112B (zh) | 基于支持向量机的桩身缺陷严重程度自动识别方法 | |
| Xu et al. | Analysis method of impact echo based on variational mode decomposition | |
| Silik et al. | Wavelet-based damage-sensitive features extraction | |
| Samal et al. | Wavelet entropy-based damage characterization and material phase differentiation in concrete using acoustic emissions |
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 |