技术领域
[0001] 本
发明涉及一种预
应力混凝土梁灌浆密实度智能识别方法，特别涉及一种基于冲击回波的
预应力混凝土梁灌浆密实度智能识别方法，属于土木结构工程检测技术领域。
背景技术
[0002] 随着我国经济的发展，预应力混凝土
桥梁得到广泛使用。为了提高预应力
钢筋和周围混凝土结合的整体性，当预应力
钢筋张拉到设计值后，需要向
波纹管内进行灌浆。灌浆的密实程度直接影响预应力钢筋的抗
腐蚀性，如果波纹管灌浆不密实，将对桥梁的耐久性产生不利的影响，必须重视灌浆
质量。目前对桥梁波纹管灌浆密实度
无损检测方法有探地雷达法、超声法、热成像法及冲击回波法等。探地雷达法其实质是电磁探测方法，由于电磁法容易受到钢筋的影响和干扰，对波纹管灌浆检测中受到很多的局限；
超声波法属于应力波法，声学参数与混凝土力学性能具有很好的相关性被广泛应用于混凝土检测中，但对于预应力混凝土灌浆质量检测目前仍处于试验阶段；红外成像虽然对混凝土无损检测有成功的应用，但其探测的
缺陷深度一般较小。相对以上方法的冲击回波法，目前已广泛应用于土木结构工程检测中，证明冲击回波是一种相对实用可靠的技术。虽然冲击回波法是一种有效的预应力混凝土灌浆质量检测方法，但目前对灌浆质量的评价只是定性评价，而且需要采集数据进行大量的人工判别，严重影响检测
水平和生产效率。
[0003] 近年来，信息技术和
人工智能的不断发展，推动了工程技术的不断进步。早期人们利用
傅立叶变换，在
频率域对
信号进行滤波处理。然而傅立叶变换是以假设信号为平稳信号条件下的一种表征信号频率特征的方法，该方法是对被分析信号在整个时间域内的频率特征的平均结果。
小波变换是一种时间-尺度分析方法，具有良好的时频局部化特性，但是基函数一旦确定，在分析处理过程中不能改变。经验模态分解方法具有自适应特点，特别适用于非线性非平稳信号的分析处理。但是经验模态分解方法的主要问题是缺乏数学理论，建模困难。变分模态分解是近年来提出的一种新的模态分解方法，将信号分量的获取过程转移到变分
框架内，通过构造并求解约束变分问题实现原始信号的分解，方法具有牢固的数学理论
基础。另一方面，为了解决人为因素的影响和降低大量的重复性的劳动，神经网络、
决策树算法、
支持向量机和线性回归等人工智能算法在工业生产中得到广泛应用。支持向量机方法是建立在统计学习理论的VC维理论和结构
风险最小原理基础上，它在解决小样本、非线性及高维模式的识别具有显著的优势。
[0004] 冲击回波作为一种无损检测的应力波方法，应用先进的
信号处理技术和人工智能技术，利用测试的振动信号的特征，建立基于变分模态分解和支持向量机的预应力混凝土灌浆密实度定量分析系统成为可能，提出一种预应力混凝土梁灌浆密实度智能识别方法具有广泛的现实意义。
发明内容
[0005] 本发明所要解决的技术问题是：提供一种预应力混凝土梁灌浆密实度智能识别方法，该方法减少人为因素对判别结果的影响，提高检测效率和测试
精度，对预应力混凝土灌浆密实度进行定量分析，增强方法的适用性和可靠性。
[0006] 本发明为解决上述技术问题采用以下技术方案：
[0007] 一种预应力混凝土梁灌浆密实度智能识别方法，包括如下步骤：
[0008] 步骤1，确定冲击回波灌浆密实度识别中的影响因素，利用
正交设计表设计出各个影响因素的计算工况；
[0009] 步骤2，利用有限元模拟技术模拟出不同计算工况下的冲击回波振动信号；
[0010] 步骤3，将模拟的冲击回波振动信号通过变分模态分解得到各个计算工况的特征模量，并对特征模量进行希尔伯特变换得到每个计算工况的瞬时特征量；
[0011] 步骤4，将各个计算工况的瞬时特征量作为输入，将混凝土的力学参数、几何参数和密实度作为输出，构建支持向量机的训练集；
[0012] 步骤5，利用训练集训练支持向量机，得到训练好的支持向量机，并利用训练集对训练好的支持向量机进行验证，若验证正确则进行步骤6，否则返回步骤2；
[0013] 步骤6，利用冲击回波仪器对待识别的预应力混凝土梁进行冲击回波振动信号采集；
[0014] 步骤7，对采集的冲击回波振动信号进行变分模态分解得到特征模量，对特征模量进行希尔伯特变换得到瞬时特征量；
[0015] 步骤8，将步骤7瞬时特征量作为训练好的支持向量机的输入，识别混凝土梁灌浆密实度参数并检验，若检验结果正常，则识别结束，否则返回步骤4。
[0016] 作为本发明的一种优选方案，步骤1所述影响因素包括板厚、波纹管尺寸和
位置、波纹的密实度。
[0017] 作为本发明的一种优选方案，步骤3所述瞬时特征量包括频率、振幅和
相位。
[0018] 作为本发明的一种优选方案，步骤1所述利用正交设计表设计出各个影响因素的计算工况的具体方法为：获取各个影响因素的最大值和最小值，将各个影响因素的最小值按10％递增到最大值，作为各个影响因素的取值，由正交设计表设计出各个影响因素的计算工况。
[0019] 作为本发明的一种优选方案，步骤5所述训练好的支持向量机的模型为：灌浆密实度与瞬时特征量之间的非线性映射关系。
[0020] 本发明采用以上技术方案与
现有技术相比，具有以下技术效果：
[0021] 1、本发明智能识别方法能有效克服现有冲击回波检测过程中出现效率低、精度差等不足，消除检测过程中人为因素的影响，最大程度的提高检测精度和工作效率。
[0022] 2、本发明智能识别方法能够对预应力混凝土灌浆密实度进行定量分析，增强了方法的实用性和可靠性。
附图说明
[0023] 图1是本发明一种预应力混凝土梁灌浆密实度智能识别方法的
流程图。
[0024] 图2是本发明智能识别方法中支持向量机训练样本的构建示意图。
具体实施方式
[0025] 下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0026] 如图1所示，为本发明一种预应力混凝土梁灌浆密实度智能识别方法的流程图。本发明采用变分模态分解、有限元模拟和支持向量机等技术，通过有限元模拟出不同工况下的冲击回波振动信号，再利用变分模态分解和希尔伯特变换构建出支持向量机训练样本，最后将冲击回波检测信号利用训练后的支持向量机定量预测出预应力混凝土梁密实度。
[0027] 基于变分模态分解和支持向量机的预应力混凝土灌浆密实度测定方法，它主要有以下几个步骤实现：
[0028] 1、根据预应力混凝土和灌浆混凝土力学、模型几何参数及密实度的变化范围，设计出不同的计算工况；
[0029] 2、利用有限元模拟出不同计算工况下的冲击回波振动信号；
[0030] 3、将模拟的冲击回波振动信号通过变分模态分解得出各个特征模量，利用希尔伯特变换得出每个特征模量的瞬时特征量；
[0031] 4、将各个工况的瞬时特征值作为输入量，而将混凝土的力学参数、几何参数和密实度作为输出量，构成支持向量的训练集；
[0032] 5、训练支持向量机，并对训练好的模型进行验证，结果正确执行下一步步骤，否则再从步骤2循环；
[0033] 6、利用冲击回波仪器对实际的预应力混凝土梁进行信号采集；
[0034] 7、重复步骤3，得出每个特征模量的瞬时特征量；
[0035] 8、将瞬时特征量作为输入量，利用步骤4中训练后得支持向量机，预测出混凝土梁灌浆密实度等参数；
[0036] 9、检验输入结果，如果预测结果正常，结束过程，否则再从步骤4循环。
[0037] 本方法并仅限定于预应力混凝土梁缺陷定量预测，也可用于其他混凝土结构现场检测；在预应力混凝土梁密实度过程中，并不仅限定于密实度的定量预测也可以是其他参数的预测。步骤4中并不仅限于支持向量机算法，也可以是最小二乘支持向量机、神经网络和决策树等机器算法。步骤3的变分模态分解，可以是传统的信号分析方法，包括小波变换、短时傅立叶变换和经验模态分解等方法。步骤4中并不仅限定于振动信号的瞬时量作为输入变量也可以其他物理参量例如时域的统计特征参数等。
[0038] 如图2所示，瞬时特征样本构成步骤如下：
[0039] 1)确定冲击回波检测中的影响因素，如板厚，波纹管尺寸和位置，波纹的密实度等影响因素的变化范围；
[0040] 2)由影响因素的最大和最小值，按照将各个影响因素的最小值按10％递增为最大值，作为各个影响因素的取值，由正交设计表设计出各个影响因素的计算工况；
[0041] 3)利用有限元模拟技术模拟出各个工况的测试结果，包括冲击荷载确定，边界条件设置及
接触条件等，冲击荷载冲击时间可由下列公式确定：
[0042] Tc＝0.0086R (1)
[0043] 其中，Tc为冲击持续时间，R为冲击球半径；
[0044] 4)利用变分模态分解技术得出各个工况下的特征模量，详细步骤见第2部分；
[0045] 5)通过希尔伯特变化得出各个模量的瞬时量，包括频率、振幅和相位，取各模量的瞬时变量最大值作为样本值，建构出样本集。
[0046] 变分模态分解是变分问题，则相应的变分问题构造过程如下：
[0047] 1)对每个IMF分量进行Hilbert变换得到其解析信号：
[0048]
[0049] 其中，δ(t)为狄利克雷函数，t为时间，j为虚数单位，uk(t)为IMF分量；
[0050] 2)对得出的解析信号预估中心频率，通过移频方式，将各解析信号的
频谱变换到基带上：
[0051]
[0052] 其中，ωk为圆频率；
[0053] 3)计算上述解调信号的L2范数，估计各模态带宽，其变分问题如下：
[0054]
[0055] 其中，f为原始信号；
[0056] 对上述的变分问题，利用二次罚函数项和Lagrange乘子将其转化为无约束问题：
[0057]
[0058] 其中，α为惩罚因子，λ(t)为Lagrange乘子。
[0059] 4)最后，再利用乘子交替方向算法求取方程(4)无约束变分问题。
[0060] 支持向量机主要由训练和测试两个部分组成，其详细步骤如下：
[0061] 1)将正交设计表设计出各个影响因素的计算工况,并由有限元数值模拟和变分模态分解形成训练样本；
[0062] 2)由步骤1)得出的训练样本,训练支持向量机模型，优化支持向量机模型中各参数值，如核参数和惩罚因子；
[0063] 3)通过学习样本训练支持向量机模型,建立出灌浆密实度与特征瞬时量之间的非线性映射关系；
[0064] 4)根据测试样本，可利用训练过支持向量机模型预测灌浆密实度等待求参数；
[0065] 5)将预测值与实验值进行对比,评估预测可靠性。
[0066] 以上
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
