CN108918679A - 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
- CN108918679A CN108918679A CN201810758962.1A CN201810758962A CN108918679A CN 108918679 A CN108918679 A CN 108918679A CN 201810758962 A CN201810758962 A CN 201810758962A CN 108918679 A CN108918679 A CN 108918679A
- Authority
- CN
- China
- Prior art keywords
- sleeve
- wave
- machine learning
- point
- velocity
- 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
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)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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***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
本发明涉及一种无损检测方法,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
本发明所要解决的技术问题是:套筒灌浆料饱满度检测是非常困难的,检测成本高,不容易实际应用的问题,本发明提供了解决上述问题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。
本发明通过下述技术方案实现:
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。
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***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,成本较低,检测过程简洁清楚。
进一步的,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。
进一步的,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。
进一步的,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。
进一步的,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。
进一步的,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;
D4、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;
D5、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。
进一步的,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。
进一步的,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。
进一步的,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。
本发明具有如下的优点和有益效果:
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***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、本发明适用范围广,成本较低,检测过程简洁清楚。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
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
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
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;
D4、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;
D5、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入下表所示:
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
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
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:
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。
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。
3.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。
4.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。
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。
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,所述步骤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;
D4、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;
D5、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。
7.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。
8.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。
9.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。
Priority Applications (2)
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 |
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 |
Applications Claiming Priority (1)
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 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111490047.7A Division 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108918679A true CN108918679A (zh) | 2018-11-30 |
Family
ID=64411226
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
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 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114113332A (zh) |
Cited By (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 |
CN114624336A (zh) * | 2022-05-16 | 2022-06-14 | 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 |
CN116381051A (zh) * | 2023-06-06 | 2023-07-04 | 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*** |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106990018A (zh) * | 2017-02-28 | 2017-07-28 | 河海大学 | 一种预应力混凝土梁灌浆密实度智能识别方法 |
CN107179351A (zh) * | 2017-06-06 | 2017-09-19 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167520B (zh) * | 2017-05-20 | 2020-10-09 | 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 |
CN108061756B (zh) * | 2017-12-07 | 2020-03-20 | 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 |
-
2018
- 2018-07-11 CN CN202111490047.7A patent/CN114113332A/zh active Pending
- 2018-07-11 CN CN201810758962.1A patent/CN108918679A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106990018A (zh) * | 2017-02-28 | 2017-07-28 | 河海大学 | 一种预应力混凝土梁灌浆密实度智能识别方法 |
CN107179351A (zh) * | 2017-06-06 | 2017-09-19 | 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 |
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 (5)
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 |
CN114624336A (zh) * | 2022-05-16 | 2022-06-14 | 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 |
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 |
CN116381051A (zh) * | 2023-06-06 | 2023-07-04 | 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*** |
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*** |
Also Published As
Publication number | Publication date |
---|---|
CN114113332A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108918679A (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 | |
CN102012403B (zh) | 超声法检测混凝土构筑物节点内部不密实性缺陷的判定方法 | |
CN108844856A (zh) | 基于弹性冲击波和机器学习的套筒灌浆缺陷无损检测方法 | |
CN102928514B (zh) | 一种基于频率特征的木材应力波无损检测方法 | |
KR102241879B1 (ko) | 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN109190272A (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
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 | |
CN105122052A (zh) | 使用超声检查识别、分组和尺寸确定转子组件中的埋藏缺陷的***和方法 | |
CN103091342B (zh) | 一种对岩芯样品进行ct扫描分析处理的方法 | |
CN103424420A (zh) | 一种基于拟合的核磁共振信号处理方法 | |
CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN112731377A (zh) | 一种介电常数反演方法、路基检测方法和检测*** | |
CN106918389A (zh) | 一种基于多普勒光学位移法的振型分析方法及其应用 | |
CN105866247A (zh) | 钢板粘贴密实度检测装置及方法 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN114942436A (zh) | 基于地质雷达及深度学习的隧道衬砌病害识别方法及*** | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN110046651A (zh) | 一种基于监测数据多属性特征融合的管道状态识别方法 | |
CN112415092A (zh) | 一种古建筑木构件内部残损检测方法 | |
CN105784852A (zh) | 一种基于超声ct的混凝土结构质量评价方法 | |
CN110231401A (zh) | 一种测点间信息关联方法及土木结构无损检测方法 | |
Iwata et al. | AI-aided Hammering Test System to Automatically Generate Anomaly Maps. | |
CN109143232A (zh) | 一种预应力混凝土梁无损检测方法 | |
CN114324584B (zh) | 一种基于智能算法和超声相控阵技术的钢结构检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |