400-878-6060

公司新闻

基于支持向量机的桩身完整性类别自动识别方法研究与应用

2024.11.08

  

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,在现行的各种行业及地方桩基完整性检测规程中,超声透射法都根据各测点信号的物理量(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、缺陷程度进行定性判断,然后根据规程中所列的桩身完整性类别特征,结合个人经验对桩身完整性类别进行判定。这种方法受人的经验因素影响很大,其判断的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。
因此,对于超声透射法检测基桩完整性的数据,依据现行的行业或地方的基桩完整性检测规程,对桩身完整性类别进行自动识别具有重要意义。在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”研发过程中,我们提出了一种基于支持向量机的桩身完整性类别自动识别方法,并对其进行了的研究与应用。

1研究现状

利用超声透射法对基桩完整性进行检测之后,必须对其完整性类别进行判定,并告知相关单位按照判定结果进行相应的处置。现行的各种行业和地方检测规程中,都将桩身完整性类别分为四类(见表1);对于Ⅰ、Ⅱ类桩,是可以正常使用的;对于Ⅲ类桩,是需要进行加固等处理并复测或经设计验算后再判定是否可使用;对于Ⅳ类桩,是无法正常使用的,需要破除后重新灌注或者补新桩。如果桩身完整性类别判断错误,将高级别判为低级别,则会造成一定程度的浪费;将低级别判为高级别,则会造成安全隐患,可能会导致上部结构沉降或失稳,所以提高桩身完整性类别判定的准确程度具有重要意义。
现行的各种行业和地方检测规程中,对于被测桩的桩身完整性类别判定,一般根据各剖面的可疑缺陷区的分布、可疑缺陷区域测点的声参量偏离正常值的程度和接收波形变化情况,结合桩型、地质情况、成桩工艺等因素,然后按照桩身完整性的特征和分类标准进行综合性评判。
对于不同的行业或地方的基桩检测规程,对桩身完整性类别进行判定的特征有所不同,但也有相同之处,以下分别对公路、铁路及建工行业的检测规程及广东、江苏、浙江等有代表性的地方规程中的桩身完整性判定特征进行罗列。
表2为2004年颁布实施的交通部基桩检测规程《公路工程基桩动测技术规程(JTG/T F81-01-2004)》对桩身完整性判定表,表3为交通部即将颁布的新检测规程中的完整性判定表,新的判定表更加细致,更加合理。
表4为住房和城乡建设部颁布的《建筑基桩检测技术规范(JGJ 106—2014)》中对桩身完整性判定的特征表。
表5为铁道部颁布的《铁路工程基桩检测技术规程(TB 10218-2008)》中对桩身完整性类别进行判定的特征表。
广东省建设厅颁布的《建筑地基基础检测规范(DBJ 15-60-2008)》有点与众不同,先用数理统计方法求得声速、幅度的临界值,并根据声测线的声速、幅度与临界值的偏离程度得到异常程度,然后根据表6中的特征得到声测线完整性函数值,最后按照公式1~公式5得到桩身各检测横截面的完整性类别指数,查表7即可得到桩身完整性类别,也就是说,这个规程判完整性类别是自动判的。
表8是深圳市住房和城乡建设局颁布的《深圳市建筑基桩检测规程(SJG09-2015)》中对桩身完整性类别的判定标准。
表9是上海市建设和管理委员会颁布的《建筑基桩检测技术规范(DGJ08-218-2003)》中对桩身完整性类别进行分类的特征。
表10是江苏省住房和城乡建设厅颁布的《建筑地基基础检测规范(DGJ32-TJ142-2012)》中对桩身完整性判定的标准。
表11是浙江省住房和城乡建设厅颁布的《基桩完整性检测技术规程(DB33/T 1127-2016)》中对桩身完整性进行判定的特征。
从上述各表中所列特征来看,除了广东省地标之外,大多使用“轻微异常”、“明显异常”、“严重异常”等“模糊语言”,每个人对其理解可能都不一样,从而对同一根桩得到的完整性类别判定就有可能存在差异,特别是对于Ⅱ、Ⅲ类桩,很有可能造成误判。广东省地标虽然可以自动判定完整性类别,但感觉没有太多的科学或理论依据。
为了能够更加科学、准确地对桩身完整性分类,我们通过查阅相关的文献资料,结合超声透射法检测桩基完整性的特点,我们采用机器学习方法进行模式的识别。通过对目前应用比较广泛的三种机器学习方法:BP网络、支持向量机(SVM)及深度学习(Deep Learing)的原理、优劣等进行了解与分析,最终决定在本项目中使用支持向量机技术。

2 支持向量机

SVM(Support Vector Machines)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。
基于统计学习理论的支持向量机(SVM)是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。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。本项目的目标——对桩身完整性类别进行自动识别,考虑到Ⅱ、Ⅲ、Ⅳ类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。

3 桩身完整性类别识别

3.1 特征参量的提取

被测桩的桩身完整性类别根据各剖面的可疑缺陷区的分布、可疑缺陷区域测点的声参量偏离正常值的程度和接收波形变化情况,结合桩型、地质情况、成桩工艺等因素,可按照桩身完整性的特征和分类标准进行综合性评判。
通过对各行业及地方现行的基桩检测规程中的桩身完整性类别判定特征进行分析、归纳、总结,提取出以下几个可行的特征参量,用于桩身完整性类别的自动识别。
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。

 对基地的10根模型桩及收集到的Ⅲ、Ⅳ类缺陷桩、实际工程中随机抽取的Ⅰ、Ⅱ类桩,共200根桩进行特征参量提取,最后得到参量文件Grade.txt,包含400组样本数据。
手动编辑特征参量文件,对200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。得到参量文件格式如下:

3.2 训练与预测

样本数据准备好之后,接下来进行训练与预测。使用不同数量的训练及测试数据样本,得到的预测效果也会不同;相同数量的训练及测试样本,如果使用不同的方法寻找最优参数,或者使用不同的核函数,得到的预测效果也会不同;为此,需要对上述各种情况进行训练与预测,然后对预测的效果进行对比,从而筛选出一种寻找最优参数的方法及最优的核函数。
    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1。
通过对表中的训练及预测结果进行比较,可以发现:
1) 在多个不同数量的训练及预测样本情况下,使用多项式核函数进行训练及预测得到的准确率大部分低于使用径向基核函数进行训练及预测得到的准确率,也就是说,径向基核函数更适合于对样本进行训练及预测;
2) 在多个不同数量的训练及预测样本情况下,使用easy.py进行训练与验证得到的准确率与使用grid.py及径向基核函数进行训练与验证得到的准确率相近,大多数情况下,前者要略胜一筹。也就是说,使用easy.py及径向基核函数进行训练与验证要稍优。
3) 在多个不同数量的训练及预测样本情况下,使用easy.py及径向基核函数进行训练与预测得到的准确率均在74%~96%之间,准确率偏低,可能与样本数量太少,特别是3、4类桩的样本数太少有关。
4) 通过观察不同情况下训练与验证的准确率平均值、差值的绝对值可以发现,第5种情况下平均值较大且差值的绝对值较小,是最优的一种情况。

4 SVM桩身完整性类别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。
首先由人工对基地10根模型桩及收集到的Ⅲ、Ⅳ类缺陷桩、实际工程中随机抽取的Ⅰ、Ⅱ类桩(共200根)进行完整性分类,然后利用程序对其进行自动识别,分类结果见表2,表中正确率是将自动识别的桩基数除以人工分类的桩基总数。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96%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。
受篇幅所限,以下仅分别列出桩身完整性自动识别为Ⅰ、Ⅱ、Ⅲ、Ⅳ类桩各两根的曲线图。
图1所示的两根桩的所有剖面的所有测点的声速、幅度均大于临界值,异常程度指数值均为零,桩身不存在缺陷,故判为Ⅰ类桩。
1) Ⅱ类桩
图2所示的两根桩的部分剖面的个别测点的声速、幅度低于临界值,异常程度指数值为1或2,桩身个别测点存在轻微或明显缺陷,但由于测点数少且不连续,故判为Ⅱ类桩。
图3所示L3-5#桩的1-2、2-3剖面桩底1米以内测点的声速、幅度均低于临界值、异常程度指数为3,1-3剖面桩底0.6米以内测点声速、幅度均低于临界值、异常程度指数为2,桩底沉渣过厚,故判为Ⅲ类桩。Y9-4#桩1-2、2-3剖面均在14.2~14.8m位置声速、幅度均低于临界值、异常程度指数为1或3,桩身局部存在严重缺陷但未形成断桩,故判为Ⅲ类桩。
1) Ⅳ类桩
图4所示的MX446-2#桩的所有剖面均在多个高度位置出现声速、幅度明显低于临界值,异常程度指数值为3的连续测点,桩身存在严重缺陷,故判为Ⅳ类桩。2-8#桩的3个剖面均在17.0~18.0m声速、幅度明显低于临界值,异常程度指数为3,桩底沉渣过厚,故判为Ⅳ类桩。

5 结论

本文提出了一种使用支持向量机(SVM)分类器对声波透射法桩基完整性检测的桩基的完整性类别进行自动识别的方法。现行的各种行业或地方的检测规范中,除了广东省的《建筑地基基础检测规范(DBJ 15-60-2008)》能够自动判定桩身完整性类别之外,其他规范均是根据波速、波幅、波形等参量的特征进行人为地判断。
通过对现行的各种行业及地方的基桩检测规程中的桩身完整性类别判定特征进行分析、归纳、总结,提取出了四种(桩型、缺陷径向分布、缺陷的深度位置及缺陷的轴向分布)共13个可行的特征参量,用于桩身完整性类别的自动识别。
通过对200根桩身完整性类别不同的桩基的13个特征参量进行提取与标识,获得了400组数据样本,然后针对不同数量的训练及验证数据样本、不同的寻找最优参数的方法、不同的核函数进行了训练与验证对比分析,最终得出在训练样本数量为275时,使用径向基核函数进行训练与验证得到的效果最优。后面利用训练得到的模型文件,编制了相应的桩身完整性类别自动识别软件,对10根模型桩及190根工程桩的检测数据进行桩身完整性类别识别验证,得到每根桩的完整性类别,识别的结果与人工判断结果基本吻合,能够在实际工程检测中应用推广。