0 概述
随着我国基础建设的蓬勃发展,桩基础在公路及铁路桥梁、港口码头、海上采油平台、高层建筑、重型厂房以至核电站等工程中大量采用。但由于桩基础属于地下隐蔽工程,往往会因为施工工艺不成熟、地质条件复杂、施工队伍水平差、质量量控制不严等因素的影响,导致桩基施工过程中出现缩颈、扩径、裂纹、夹泥、沉渣甚至断桩等质量问题,必须会影响到桩基的承载力,从而影响上部结构的安全性。因此,在桩基施工完成后,对其桩身完整性进行检测成为必然,由于超声透射法具有便捷、迅速、缺陷反映灵敏度高、缺陷检测范围广等优点,从而被广泛用于桩身完整性的检测。
目前,在所有现行的行业及地方桩基完整性检测规程中,超声透射法都根据平测和(或)斜测时所接收的信号的物理量(首波声时、幅度和频率、波形)的变化,利用数理统计的方法并结合个人的经验对缺陷位置、缺陷程度进行定性的或经验性的判定。这种方法受人的经验因素影响很大,其测量准确性对检测人员的水平依赖很大,而且也不利于检测的自动化、智能化,显然已不适应现代工程检测需要。近年来国内学者开展了缺陷判定的研究工作,缺陷判断从单一的参数向多因数发展,从定性的或经验性的判断向定量化发展。但基本上是四个方面:其一是数值判断,其二是采用信号处理技术,其三是采用模式识别技术,其四是采用超声CT层析成像技术。
近几年,北京地区公路桥梁建设如火如荼,相应的基桩数量明显增多,在现有的靠分析人员经验判断基桩完整性的情况下,一方面会降低基桩检测工作的效率,影响工程进度,另一方面在基桩检测诸多因素影响下,难免会降低基桩完整性判断的准确性;同时在基桩完整性检测数据后处理及出具检测报告方面,现有的方法效率低下,不能与基桩检测工作相应的同步。
因此,基于现有超声透射法检测基桩完事性设备,依据现行的行业或地方的基桩完整性检测规程,对缺陷的类型、位置及严重程度等进行自动识别,研发声波透射法基桩完整性检测计算机辅助识别系统,并自动出具检测报告显得尤为重要。因此,北京市交通行业科技项目“桥梁桩基检测自动识别技术研究及应用”正式立项,开展“声波透射法基桩完整性检测计算机辅助识别系统”的研究与开发,本文将对其主要研究成果进行简要阐述。
1 理论基础
1.1小波变换与小波包变换
(一) 小波变换
小波变换是一种信号的时间-尺度(时间-频率)分析方法,它具有多分辨率分析的特点,而且在时频两域都具有表征信号局部特征的能力,是一种窗口大小固定不变但其形状可改变、时间窗和频率窗都可以改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合于探测正常信号中夹带的瞬态反常现象并展示其成份,所以被誉为分析信号的显微镜,利用小波变换进行缺陷信号的检测与诊断具有良好的效果。
对于任意函数
的连续小波变换定义为:
(一) 小波包变换
小波包是由Coifman等人引入的,他们在正交小波基的基础上提出了正交小波包的概念。后来又进一步发展到半正交小波包及广义小波包。
正交小波变换在分解过程中只是对信号的低频部分做进一步分解,而对信号的高频部分(细节部分)不再继续分解,因此小波变换能够很好地表示以低频信息为主要成份的信号,但是它对包含大量细节信息的信号不能很好地分解和表示。与小波变换不同的是,小波包变换在对信号的低频部分进行分解同时还对信号的高频部分进行更精细的分解,并且这种分解既没有冗余,也没有疏漏,所以对包含中、高频信息的振动信号能够提供比小波变换更好的时频局部化分析能力。
所谓正交小波包,粗略地讲,是一函数族,由它们可构造L
2(R)的标准正交基库,从此正交基库中可以选出L
2(R)的许多组标准正交基,通常的正交小波基是其中的一组。小波函数是小波包函数族中的一个,所以,小波包是小波函数的推广。
小波包变换对信号低频部分进行分解,同时对高频部分也进行分解,还以一个三层的分解进行说明,其小波包分解树结构如图1所示。其中,A表示低频,D表示高频,末尾的序号数表示小波包分解的层数(即尺度数)。分解具有如下关系:
S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3
从信号滤波的角度分析,正交小波分解是把被分析信号通过一个低通和一个高通滤波器进行滤波,分别得到一组低频信号和一组高频信号,且对低频信号继续这样的分解。分解过程中每次分解得到的低频和高频信号的长度都是原信号长度的一半,可看作是滤波之后进行了“隔点采样”,其分解得到的结果既不会冗余,也不会损失原信号的任何信息。小波分析对高频段信号频率分辨率较低,而对低频段信号时间分辨率较低,针对这一缺点,提出了一种更为精细的小波包分析方法。小波包分析能将频带进行多层次划分,并对小波分析中没有细分的高频部分进一步分解,从而提高时频分辨率。
1.2支持向量机
SVM方法是20世纪90年代初Vapnik等人根据统计学习理论提出的一种新的机器学习方法,它以结构风险最小化原则为理论基础,通过适当地选择函数子集及该子集中的判别函数,使学习机器的实际风险达到最小,保证了通过有限训练样本得到的小误差分类器,对独立测试集的测试误差仍然较小。
支持向量机的基本思想是:首先,在线性可分情况下,在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下,加入了松弛变量进行分析,通过使用非线性映射将低维输入空间的样本映射到高维属性空间使其变为线性情况,从而使得在高维属性空间采用线性算法对样本的非线性进行分析成为可能,并在该特征空间中寻找最优分类超平面。其次,它通过使用结构风险最小化原理在属性空间构建最优分类超平面,使得分类器得到全局最优,并在整个样本空间的期望风险以某个概率满足一定上界。
其突出的优点表现在:(1)基于统计学习理论中结构风险最小化原则和VC维理论,具有良好的泛化能力,即由有限的训练样本得到的小的误差能够保证使独立的测试集仍保持小的误差。(2)支持向量机的求解问题对应的是一个凸优化问题,因此局部最优解一定是全局最优解。(3)核函数的成功应用,将非线性问题转化为线性问题求解。(4)分类间隔的最大化,使得支持向量机算法具有较好的鲁棒性。由于SVM自身的突出优势,因此被越来越多的研究人员作为强有力的学习工具,以解决模式识别、回归估计等领域的难题。
在统计学习理论中发展起来的支持向量机(Support Vector Machines, SVM)方法是一种新的通用学习方法,表现出理论和实践上的优势。SVM在非线性分类、函数逼近、模式识别等应用中有非常好的推广能力,摆脱了长期以来形成的从生物仿生学的角度构建学习机器的束缚。此外,基于SVM的快速迭代方法和相关的简化算法也得到发展。与神经网络相比,支持向量机方法具有更坚实的数学理论基础,可以有效地解决有限样本条件下的高维数据模型构建问题,并具有泛化能力强、收敛到全局最优、维数不敏感等优点。
基于统计学习理论的支持向量机(SVM)一种有坚实理论基础的新颖的小样本学习方法,被认为是目前解决小样本的分类问题的最佳方法,可以不象神经网络的结构设计需要依赖于设计者的经验知识和先验知识。本项目的目标——对缺陷严重程度及桩身完整性类别进行自动识别,考虑到缺陷桩的数据样本非常少,属于小样本,所以决定在本项目中使用支持向量机技术。
LIBSVM是台湾大学林智仁(LinChih-Jen)教授等用C++开发设计的一个通用的SVM软件包,可以可以解决分类问题(包括C-SVC、n-SVC)、回归问题(包括e-SVR、n-SVR)以及分布估计(one-class-SVM )等问题,提供了线性、多项式、径向基和S形函数四种常用的核函数供选择,可以有效地解决多类问题、交叉验证(Cross Validation)选择参数、对不平衡样本加权、多类问题的概率估计等。本项目中使用LIBSVM工具包开发缺陷严重程度及桩身完整性类别自动识别软件。
2 模型桩制作及缺陷桩数据收集
本项目的关键技术之一就是缺陷特征的提取,通过对已有的超声透射法检测基桩完整性的海量数据进行分析、归纳、总结,对不同种类的缺陷的特征进行提取得到完整性检测数据库。为了对缺陷特征数据库加以验证、完善,得到一套完善的缺陷基桩完整性检测数据库,需要建立不同种类缺陷混凝土模型桩,然后进行超声透射法检测,并对其检测数据进行深入分析。为此,我们在密云基地制作了10根模型桩,每根桩包含不同类型(断桩、夹砂、夹泥、桩底沉渣、离析、声测管周围存在低速介质(包管)及声测管倾斜等)、不同尺寸的缺陷,并将缺陷埋设在桩身不同的位置。
为保证桩内缺陷的制作,本次模型桩采用人工挖孔工艺成孔,结合密云基地的地质情况(10m以下卵石较大,孔深尽可能浅)、同时考虑到实验工作的需要(桩长尽可能大),确定实际桩长均为12m,采用C30商品混凝土进行干孔浇注。共制作完成4根直径1500mm(埋设4根声测管)、6根直径1200mm(埋设3根声测管)的模型桩,每根桩均包含至少两种类型的缺陷,如图2所示。
本次模型桩施工时,当混凝土浇注到设置缺陷的位置时,先将提前制作好的缺陷框架放进去,然后用铁丝将框架固定在钢筋笼主筋上,再将预先准备好的袋装砂子、泥土或石子放入框架内堆放好,然后在缺陷框架周边浇注混凝土至与缺陷框架同高度,用振捣棒振捣,然后继续浇注混凝土。
在模型桩制作好后,我们先后多次使用ZBL-U5700多通道超声测桩仪对基地所有模型桩的所有剖面进行平测及斜测,测试时的测线间距为0.1m,并租用其他厂家的超声波检测仪(采用相同的采集参数)对所有模型桩进行了对比测试,测试结果基本一致,缺陷制作比较成功。
此外,为了加大缺陷桩基数据样本数量,提高缺陷严重程度及桩身完整性自动识别的精度,我们向多个桩基质量检测单位广泛征集,最终收集到100余根缺陷桩的超声透射法检测数据用于后期的研究。
3缺陷严重程度识别
3.1 特征参量的提取
为了对缺陷严重程度进行识别,首先须先对大量的缺陷桩基的检测数据进行深入分析,寻找一种或多种能够表征缺陷严重程度的特征参量,为此,我们以超声波的传播理论为基础,阅读大量的文献资料,借鉴机械行业利用振动信号进行缺陷诊断方面的经验,最终确定了9个可能用于识别缺陷严重程度的特征参量。
1) 测点声速与剖面声速平均值之比
测点声速值与剖面声速平均值之比与声速异常程度之间有较好的相关性,与缺陷的类型及严重程度有一定的相关性,为此,我们将“测点声速值与剖面声速平均值之比”作为缺陷识别的特征参量之一是具有可行性的。
测点声速与剖面声速平均值之比为:
式中:V
i——第i个测点的声速(km/s);
V
m——根据《建筑基桩检测技术规范(JGJ106-2014)》计算的声速平均值(km/s);
1) 首波幅度与幅度平均值之差
测点波幅值与剖面幅度平均值之差与波幅异常程度之间有较好的相关性,与缺陷的类型及严重程度有一定的相关性,为此,我们将“
测点波幅值与剖面幅度平均值之差”作为缺陷识别的特征参量之一是具有可行性的。
测点幅度与剖面幅度平均值之差为:
式中:A
m——根据《超声法检测混凝土缺陷技术规程(CECS 21:2000)》计算的波幅平均值(dB);
A
i——第i个测点相对波幅值(dB);
1) 测点信号能量与最大信号能量之比
通过对缺陷桩及完整桩的能量曲线(横坐标为测点序号,纵坐标为各测点的能量与最大能量之比)进行研究,发现当测点能量与最大能量之比值低于某一值时,则该测点为可疑点,可能存在缺陷,而且该比值越小,则表示缺陷越严重,所以用此比值作为缺陷严重程度自动识别是可行的。
测点信号能量与最大信号能量之比为:
式中:E
i——第i个测点信号的能量;
E
max——最大信号能量;
1) 小波包分解后各频带信号的能量分布
与完好测点的超声信号相比,有缺陷的测点的超声信号能量在一些特定的频带内将显示出显著的不同。这是因为缺陷会衰减或增强特定频带的响应信号的一些成份。也就是说,缺陷能引起某些频带超声检测信号能量的增加,或者另外某些频带超声检测信号能量的减少。因此,在各频率成份的信号的能量中,包含着丰富的缺陷信息,某种或某几种频率成份能量的改变即代表了缺陷严重程度不同。利用这一特征就可以建立能量变化与缺陷严重程度的映射关系,得到表征缺陷严重程度的特征向量。
在超声透射法检测桩基完整性时,换能器所发射的超声波信号主频为50kHz左右,因此,在进行小波包分解时,仅需要得到60kHz以下的信号能量,所以根据超声信号采样频率的不同,对其进行不同层数的分解,从而得到频带分别为[0,9.765625kHz)、[9.765625kHz,19.53125kHz)、[19.53125kHz,29.296875kHz)、[29.296875kHz,39.0625kHz)、[39.0625kHz,48.828125kHz)、[48.828125kHz,58.59375kHz)的6个能量分布值。
3.2 训练与预测
对基地的10根模型桩及实际工程中检测并验证过的40根桩进行特征参量提取,最终得到50个参量文件。手动编辑特征参量文件,对基地的每根模型桩、每个剖面的每个测点的缺陷严重程度(
缺陷严重程度以异常程度指数标识,指数0、1、2、3分别表示无缺陷、轻微缺陷、明显缺陷、严重缺陷)进行人工判断并标记类别号。
由于无缺陷(异常程度指数为0)的数据样本数量较多,而轻微缺陷、明显缺陷及严重缺陷(异常程度指数为1至3)的数据样本数量较少,为增加其样本数量,40根工程桩仅针对缺陷部位测点进行严重程度的人工判断并标记类别号,然后将标记过的测点数据合并到Flaw.txt文件中,最后一共得到6432组样本数据(其中,异常程度指数为3的样本数量为752组,异常程度指数为2的样本数量为546组、异常程度指数为1的样本数量为508组,余下的为异常程度指数为0的样本)。
对于不同的特征参量组合(详见表1),将样本数据中不同数量的数据提取出来作为训练和预测数据,利用不同的寻找最优参数的方法,得到最优惩罚因子及核函数的γ值,然后分别使用多项式核函数、径向基核函数进行训练与预测,得到不同的训练与预测结果(见表2)。经过对比分析,5种特征参量的组合在训练样本数量为5000时,使用径向基核函数进行训练与验证得到的效果最优(训练与预测准确率的平均值较高,接近93%,且训练与预测准确率的差值绝对值较小),其训练模型文件FlawTrain5.model将用于对超声检测桩基所有剖面的所有测点的缺陷严重程度进行预测(识别)。
3.3 SVM缺陷严重程度识别在桩基检测中应用
在MFC程序中,利用训练得到的模型文件FlawTrain5.model,调用LibSVM的相关函数对超声检测桩基所有剖面的所有测点的缺陷严重程度进行预测(识别),获得每个测点的异常程度指数,并在曲线图上绘制异常程度指数曲线。
对基地的10根模型桩进行分析,得到其异常程度指数曲线,可以直观地发现10根桩埋设缺陷的位置的异常程度指数为2或3,即存在明显或严重缺陷,与设计基本吻合。受篇幅所限,图3仅列出基地模型桩中的两根桩的异常程度指数曲线(曲线图最右侧的红色曲线)。
a)Z1#桩
b)Z6#桩
图3 模型桩异常程度指数曲线
对163根工程桩进行分析,得到其异常程度指数曲线,由于受篇幅所限,仅列出其中3根桩的曲线图,如图4所示。R1-3#桩的三个剖面均在桩底存在明显缺陷;1-6#桩在4米附近有两个剖面存在严重缺陷,1个剖面存在明显缺陷,此外,3个剖面在桩头均存在明显缺陷;X2-07-3#桩的三个剖面均在6米至9米之间存在严重缺陷。
a)R1-3#桩
b)1-6#桩
c)X2-07-3#桩
图4 工程桩异常程度指数曲线
4桩身完整性类别识别
4.1 特征提取
通过对桩基所有剖面的所有测点进行缺陷严重程度自动识别,得到所有剖面的所有测点的异常程度指数之后,需要对整桩的桩身完整性进行分类,为了实现桩身完整性类别的自动识别,拟采用以下特征参量:
1) 桩型
对于竖向抗压桩,按抗压桩的荷载传递机理可分为:摩擦桩、端承桩、摩擦端承桩、端承摩擦桩。对于不同类型的桩,出现缺陷的位置不同时,可能对其承载力的影响不同,所以在判定桩身完整性类别时应综合考虑。用数字0、1、2、3分别代表上述四种类型的桩。
1) 缺陷径向分布
以最大径向分布(百分数)DPI来表征,也就是异常程度指数为1、2、3的连续测点所在剖面数与总剖面数之比,从而得到三个特征参量:DP1、DP2、DP3。
2) 缺陷的深度位置
对于摩擦桩来说,缺陷所在的深度位置如果较深,则可以不判或轻判;否则应重判。以缺陷所在深度与桩长之比HPI来表征,也就是异常程度值为1、2、3的最大连续测点所在位置与桩长之比,从而得到三个特征参量:Hp1、Hp2、Hp3。
1) 缺陷的轴向分布
用下面两个特征参量来表征:
异常程度值为1、2、3的最大连续测点深度H
I:分别对所有剖面异常程度值为1、1至2、1至3的测点进行统计,得到最大连续测点深度,从而得到三个特征参量:H
1、H
2、H
3。
4.2 训练与预测
对基地的10根模型桩及实际工程中筛选出的不同类别的163根桩进行特征参量提取,最后得到参量文件Grade.txt,包含189组样本数据。手动编辑特征参量文件,对173根桩的桩身完整性类别进行人工识别,然后将识别结果(1、2、3、4分别对应Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类)加到每组数据的最前面。得到用于训练及预测的特征参量文件Grade.txt。
将样本数据中不同数量的数据提取出来作为训练和预测数据,利用不同的寻找最优参数的方法,得到最优惩罚因子及核函数的γ值,然后分别使用多项式核函数、径向基核函数进行训练与预测,得到不同的训练与预测结果,详见表3。
通过对比分析发现:当训练样本为175,使用径向基核函数进行训练与预测得到的准确率平均值较大且差值的绝对值较小,是最优的一种情况。此种情况下得到的训练模型文件PileGrade.model将用于桩身完整性类别的自动识别。
4.3 SVM桩身完整性识别在桩基检测中应用
在MFC程序中,使用训练得到的模型文件PileGrade.model文件,调用LibSVM中的相关函数对基桩的完整性等级进行自动分类。
首先由专家对基地10根模型桩及163根工程桩进行人工分类,然后利用程序对其进行自动识别,分类结果见表4,表中正确率是将自动识别的桩基数除以人工分类的桩基数。从表中可以看出,对于Ⅰ类、Ⅳ类桩的自动识别结果与人工分类结果比较接近,也就是正确率较高,达到88%以上,而对于Ⅱ类、Ⅲ类桩的自动识别结果与人工分类结果相差较大,正确率较低。
为了提高完整性分类的准确率,必须收集更多的缺陷桩基检测数据,然后再进行特征的提取、标记,获得更多的训练及验证的数据样本,不断地完善模型文件。
5三维CT成像技术
超声透射法检测基桩完整性的传统检测方法,主要是利用数理统计的方法对缺陷进行判定,得到各“点”的结果,且无法知道缺陷的大小及确切位置,在本项目研发过程中,我们对三维CT成像技术在超声透射法检测基桩完整性进行了应用研究。将层析成像技术引入结构混凝土超声检测中,能以图像的方式直观地反映层析面上混凝土内部质量,弥补“点”上检测的局限,较传统方法有明显的优势,是一种有独特效果的无损检测手段。但由于CT测试的工作量较大,不可能大量应用,为此,引入了“准CT测试”方法,对整桩各剖面进行平测及两个方向的斜测,测试工作量较传统测试稍有增加,但较CT测试大大减少,测试完成后,通过三维CT成像技术的应用,得到三维缺陷图,能够直观地看到桩身缺陷的位置及范围(如图5所示),经过模型桩及少数工程桩的验证,测试结果与实际情况相符。建议在用传统的检测方法检查发现问题桩后,对其采用准CT测试,得到更为准确的结果,从而能够确定其对基桩承载能力的影响程度,以便对桩作出整体评价,采取合理的补救措施。
6 自动生成检测报告
公路桥梁桩基完整性检测的最终环节就是出具检测报告,当超声透射法完整性检测的桩基数量较多时,如果人工出具检测报告,工作量巨大,效率太低,耗时耗力,出一份报告需要半天甚至一天的时间(与桩的数量正相关,数量越多,出具报告时间越长),检测人员不堪重负。为此,我们按照检测单位提供的检测报告模板,开发了检测报告自动生成的软件,在“生成汇总表”时点击“选择文件”钮选择待生成报告的检测数据文件所在文件夹,点击“确定”钮则可自动生成检测报告,真正实现一键生成报告,每份报告仅需几分钟或十几分钟,大大缩短了出具报告的时间,极大提高了工作效率,减轻了检测人员的劳动强度。
检测报告包括封面、封底、扉页、目录、正文、附录等,正文主要包括工程概况、超声波法检测原理简介、桩身完整性类别判定原则、检测分析结果、结论;附录主要包括基桩检测成果表、基桩测试曲线图、基桩桩位示意图等。大部分内容均由软件自动填写。
7 声波透射法基桩完整性检测计算机辅助识别系统软件开发
2018年7月至9月,在完成缺陷严重程度的自动识别模块开发、桩身完整性的自动分类模块及三维CT成像软件、自动生成报告模块的基础上,将各软件或模块进行整合,形成了一套“声波透射法基桩完整性检测计算机辅助识别系统”的初步版本。图3.6所示为该系统的主界面。接下来,将对其进行打包、发布,并在实际工程中加以验证、优化,于11月底前完成最终版本。