三维成像声呐在水下灌注桩缺陷检测中的应用探讨

吉同元; 李鹏飞; 张润; 章定文

doi:10.11779/CJGE2021S2041

三维成像声呐在水下灌注桩缺陷检测中的应用探讨 English Version

吉同元^{1, 2,},
李鹏飞²,
张润²,
章定文^{1, 3, ,}

1.
东南大学交通学院,江苏　南京　211189
2.
华设设计集团股份有限公司,江苏　南京　210014
3.
道路交通工程国家级实验教学示范中心（东南大学）,江苏　南京　211189

基金项目:

国家自然科学基金项目 52078129

详细信息

作者简介:
吉同元(1981— ),江苏淮安人,硕士,正高级工程师,主要从事港航工程及地基基础方面检测监测及安全评估工作。E-mail: 47320005@qq.com

通讯作者:
章定文, E-mail: zhang@seu.edu.com

中图分类号: TU473
计量
- 文章访问数: 090
- HTML全文浏览量: 0
- PDF下载量: 067
出版历程
- 收稿日期: 2021-08-14
- 网络出版日期: 2022-12-05
- 刊出日期: 2021-10-31

Application of 3D imaging sonar in defect detection of underwater bored piles

JI Tong-yuan^{1, 2,},
LI Peng-fei²,
ZHANG Run²,
ZHANG Ding-wen^{1, 3, ,}

1.
School of Transportation, Southeast University, Nanjing 211189, China
2.
China Design Group Co., Ltd., Nanjing 210014, China
3.
National Demonstration Center for Experimental Road and Traffic Engineering Education (Southeast University), Nanjing 211189, China

摘要

摘要: 桩基是桥梁工程的重要组成部分,桩基水下结构存在混凝土剥落、破损等质量问题,三维成像声呐能够识别和测量水下结构病害情况,基于三维成像声呐进行了“模型试验-数据处理-工程应用”系统性研究,研究表明：数据后处理能够有效去除噪点,清晰呈现试件部分外形轮廓,保留目标物几何信息,并能够较好识别试件缺陷；点云图像大尺寸测量结果准确,尺寸小于5 cm时,误差在2 cm以内；三维成像声呐在桥梁桩基水下部分的外观完整性检测效果较好,能够识别桩基混凝土剥落,并进行剥落厚度测量,误差在3 cm内,满足工程检测需求。
- 桥梁桩基 /
- 声学可视化 /
- 模型试验 /
- 点云处理
Abstract: The pile foundation is an important part of bridge engineering. The underwater structure of pile foundation has some quality problems such as concrete spalling and damage. The 3D imaging sonar can directly identify and measure the diseases of underwater structure. Based on the 3D imaging sonar, a systematic study of "model test-data processing-engineering application" is carried out, The results show that the post-processing of data can effectively remove the noise, clearly present the outline of the specimens, retain the geometric information of the object, and better identify the defects of the specimen. When the size is less than 5 cm, the error is less than 2 cm. The 3D imaging sonar has a good effect in the appearance integrity detection of the underwater part of bridge pile foundation. It can identify the concrete spalling of pile foundation and measure the spalling thickness. The error is within 3 cm, which meets the needs of engineering detection.
- bridge pile foundation /
- acoustic visualization /
- model test /
- point cloud processing

HTML全文

0. 引言

随着城市化进程的推进,基坑工程向更深、更复杂的趋势发展,为了保证周边环境安全,基坑变形的现场监测和预报已成为基坑工程的重要内容。传统的理论分析、数值模拟等方法虽然理论上可以实现变形的预测,但是岩土工程的变形机理复杂,涉及的影响因素众多,这类方法无法全面考虑^[1]。

近年来,基于数据分析的时间序列建模方法被逐渐应用于岩土工程领域。其中灰色预测模型对样本数据量要求低,但对于非线性序列的预测效果较差^[2]；人工神经网络具有较强的非线性映射能力,但存在网络结构难以确定、容易陷入局部最优、样本数据量要求高等缺点^[3]；遗传算法、粒子群算法等优化算法与人工神经网络结合的组合模型改善了神经网络的性能,但仍然存在数据量要求高、泛化能力差的问题^[4]。现有方法在预测时都以单测点的监测数据作为输入变量,只关注数据在时间维度上的关联性,而忽略了邻近监测点之间空间维度上的关联性。实际工程会设置大量的监测点,如何充分利用多个监测点的监测数据以提高预测精度是值得进一步研究的问题。针对上述不足,本文提出运用卷积神经网络与长短期记忆神经网络（CNN-LSTM）结合的组合模型,考虑监测数据在时间维度和空间维度上的关联性,对基坑工程多维序列进行预测。该方法在上海云岭超深基坑工程的地表沉降实际监测数据预测中取得了令人满意的效果。

1. CNN-LSTM模型

1.1 卷积神经网络（CNN）

卷积神经网络（convolutional neural networks）是一类包含卷积运算的前馈神经网络。CNN通过对数据的卷积和池化操作,提取数据之间的相互关系,可以用少量参数表达数据的空间特征,具有优秀的高维特征提取能力,被广泛用于图像处理、计算机视觉等问题。CNN网络的核心结构如图1所示。卷积层通过设置卷积核,对输入数据按式（1）进行离散卷积运算,提取输入数据的空间特征。池化层通过对卷积核内的数据进行取最大值、取平均值等操作,实现数据的降采样,即去除杂余信息,保留关键特征。

$y_{i, j} = σ (W_{k} \otimes x_{i, j} + b_{k})$ ,

(1)

$W_{k} \otimes x_{i, j} = \sum_{m = 0}^{a - 1} \sum_{n = 0}^{b - 1} w_{m, n} \times x_{i + m, j + n}$ ,

(2)

图 1 CNN网络核心结构示意图

Figure 1. Structure of convolutional neural networks

下载: 全尺寸图片幻灯片

式中 x_ij为卷积层的输入数据；y_ij为卷积层的输出数据；为离散卷积运算；W_k和b_k分别为第k个卷积核的权重系数和偏置参数； $σ$ 为神经元的激活函数；a,b为卷积核的尺寸参数。

1.2 长短期记忆神经网络（LSTM）

LSTM神经网络（long short-term memory neural network）是循环神经网络RNN（recurrent neural network）的一种变体。LSTM神经网络通过设置特殊的“门”结构,可以有选择性地记忆长短期信息,解决了RNN结构的长时间依赖问题,在时序数据的预测问题上表现优异。LSTM单元结构如图2所示。

图 2 LSTM结构示意图

Figure 2. Structure of LSTM

下载: 全尺寸图片幻灯片

1.3 CNN-LSTM模型

卷积神经网络CNN与循环神经网络LSTM结合的CNN-LSTM神经网络结构如图3所示。CNN部分以多个监测点的标准化后的历史数据构成的多维时间序列X_t,n作为输入数据。X_t,n是一个二维矩阵,一行表示某一时刻n个监测点的监测值,一列表示某一监测点在时间步长t内的监测值。将该序列输入CNN部分后,进行卷积运算,提取空间特征,输出多个由空间特征组成一维序列。LSTM部分以CNN网络输出的一维序列作为输入数据。LSTM对序列进行回归预测,输出多个空间特征的预测值。最后通过全连接层整合空间特征预测值,输出监测数据的预测值。

图 3 CNN-LSTM模型结构示意图

Figure 3. Structure of CNN-LSTM model

下载: 全尺寸图片幻灯片

2. 工程实例验证

2.1 工程概况

云岭竖井基坑是上海苏州河深隧工程的一部分。竖井基坑为圆形,深度约60 m,支护结构为1500 mm地下连续墙。基坑位于上海软土地区,且基坑开挖深度范围内的深层土体力学特性尚不明确,给基坑周边地表沉降的计算带来了困难。为了实时地进行动态化施工反馈,在基坑周边布置了大量监测点。基坑周边对称布置DB-1、DB-2、DB-3和DB-4四条测线,其中DB-4的监测点在施工中被破坏,监测数据不完整。

本文选取其余三条测线的第一个测点（DB1-1、DB2-1、DB3-1）从2020年7月27日至2020年12月28日,共计155组数据,前135组数据用于训练模型,后20组数据用于验证模型的精度。

2.2 监测数据建模预测

现在以DB1-1测点的监测数据作为预测目标,详细描述如何利用CNN-LSTM模型进行时序预测。

（1）数据预处理

现场采集的数据受各种因素的干扰,包含大量噪声^[5]。为避免拟合噪声,在导入模型训练前,对原始数据进行降噪处理。降噪后数据如图4所示。此外,不同监测点的监测数据在绝对值上相差较大,为了避免模型训练时的梯度方向被某一监测点的数据控制,本文按式（3）标准化数据,标准化后的数据符合均值为0,方差为1的正态分布。

${x^{'}}_{t, i} = \frac{x_{t, i} - μ_{i}}{σ_{i}}$ ,

(3)

图 4 降噪后数据示意图

Figure 4. Curves of data after noise reduction

下载: 全尺寸图片幻灯片

式中,μ_i,σ_i为第i个测点全部监测数据的均值和方差。

（2）CNN-LSTM模型构建

本文基于Python的Keras库构建CNN-LSTM模型。第一层为卷积层,卷积核个数为80,即提取80个空间特征,卷积核尺寸为1×3；第二层为LSTM层,LSTM层的神经元个数对网络的性能影响最大,因此取初始值80,在训练过程中优化；第三层为Dense层。需要指出的是由于本文选取的数据集在空间维度上只有3个监测点,数据规模不大,不设置池化层可以取得更好的效果。

（3）训练样本构造与模型训练

本文采用“5+1”的样本构造模式,即以3个测点前5天的监测数据作为输入数据,输入数据为5×3的二维矩阵,第6天DB1-1测点的监测数据作为输出数据。训练集共135组监测数据构造130组训练样本。训练优化器选择Adam,迭代次数epoch取100次,损失函数为均方误差MSE,模型收敛。

（4）监测值预测

最后利用训练完毕的模型对最后20组数据进行滚动预测。考虑到前期数据的降噪预处理,本文同时对噪声采用统计学模型ARMA进行分析、预测后,与CNN-LSTM的输出结果合并,作为最终预测值。为了验证CNN-LSTM模型的预测效果,本文同时单独采用LSTM模型进行预测,两种方法的结果和预测相对误差对比如图5,6所示。对DB2-1、DB3-1测点采用同样方法的预测结果和误差如图7～10所示。

图 5 DB1-1测点监测值与预测值

Figure 5. Measured and predicted values of DB1-1

下载: 全尺寸图片幻灯片

图 6 DB1-1测点预测相对误差对比

Figure 6. Comparison of prediction relative errors of DB1-1

下载: 全尺寸图片幻灯片

图 7 DB2-1测点监测值与预测值

Figure 7. Measured and predicted values of DB2-1

下载: 全尺寸图片幻灯片

图 8 DB2-1测点预测相对误差对比

Figure 8. Comparison of prediction relative errors of DB2-1

下载: 全尺寸图片幻灯片

图 9 DB3-1测点监测值与预测值

Figure 9. Measured and predicted values of DB3-1

下载: 全尺寸图片幻灯片

图 10 DB3-1测点预测相对误差对比

Figure 10. Comparison of prediction relative errors of DB3-1

下载: 全尺寸图片幻灯片

图5和图6表明,CNN-LSTM组合模型的预测结果与单一LSTM模型相比,在所有观测时间点上都更接近实测值,但是两种模型预测结果的趋势仍然与实测值有明显不同,这是由于噪声的预测模型难以拟合本例的数据。采用CNN-LSTM模型时,预测结果的相对误差介于0.01%～3.44%之间,平均值为2.00%,而LSTM模型相对误差介于0.02%～4.36%,平均值为2.84%,说明前者预测精度更高,效果更为理想。

图7～10表明,DB2-1测点和DB3-1测点的预测结果与DB1-1测点基本一致,CNN-LSTM模型的预测结果更接近实测值。采用CNN-LSTM模型,DB2-1测点、DB3-1测点的预测平均相对误差分别为0.93%、1.35%,而采用LSTM模型的平均相对误差分别为1.84%和1.69%,综合来看,CNN-LSTM模型取得了更好的效果。

需要指出的是,CNN-LSTM的精度优化得益于测点之间的空间关联度,选择测点时可综合测点的几何分布和历史监测曲线两方面判断。本例测点对称分布于基坑周边,且历史监测曲线的趋势也具有一致性。

3. 结论

本文在已有岩土工程时间序列预测方法的基础上,提出可以考虑监测数据空间关联性的CNN-LSTM组合模型。通过基于上海云岭竖井超深基坑工程现场地表沉降监测数据的工程实例验证,得出以下结论：

（1）多个监测点的监测数据构成一个多维时间序列,不同监测点数据之间的空间关联特征可以用CNN网络中的卷积运算提取。

（2）CNN-LSTM模型采用CNN网络提取多维时间序列的空间特征,LSTM网络多空间特征序列进行回归预测。工程实例表明,该模型在预测精度上相较于基于单测点数据的LSTM模型具有更高的精度。

（3）本文预测的多维时间序列的均为地表沉降,即同一类监测数据。工程现场的不同监测项目之间,理论上也可采用CNN-LSTM模型建模预测,如何将该模型推广到任意监测项目组成的多维时间序列是值得深入研究的问题。

图 1 试件点云原始数据

Figure 1. Original data of point cloud of specimens

下载: 全尺寸图片幻灯片

图 2 原始数据经滤波处理后点云图像

Figure 2. Point cloud images of original data after filtering

下载: 全尺寸图片幻灯片

图 3 试件WSC - ^#1及WSC - ^#2尺寸测量

Figure 3. Dimensional measurements of WSC - ^#1 and WSC - ^#2

下载: 全尺寸图片幻灯片

图 4 WSW -^#3试件模型及缺陷尺寸

Figure 4. Model and defect sizes of WSW - ^#3

下载: 全尺寸图片幻灯片

图 5 试件WSW-^#3尺寸测量

Figure 5. Measurements of specimen sizes of WSW-^#3

下载: 全尺寸图片幻灯片

图 6 桥梁桩基三维成像声呐数据处理

Figure 6. Data processing of bridge pile foundation

下载: 全尺寸图片幻灯片

图 7 桥梁桩基水下结构病害现场测量

Figure 7. Field measurements of bridge pile foundation

下载: 全尺寸图片幻灯片

表 1 试件尺寸参数

Table 1 Size parameters of specimens

序号试件编号形状材质尺寸r×h/cm 备注

1 WSC - ^#1 圆柱体混凝土 2.5×10.0 —
2 WSC -^#2 5.0×15.0 —
3 WSW-^#3 木质 15×100.0 带缺陷

下载: 导出CSV

表 2 缺陷圆柱试件尺寸测量数据

Table 2 Measured data of defective specimens

序号位置实际尺寸测量尺寸误差

1 下部缺陷宽度 10 10 0
2 下部缺陷深度 5 4 1
3 缺陷距离 30 29 1
4 上部缺陷宽度 5 3 2
5 上部缺陷深度 10 11 1

下载: 导出CSV

参考文献(10)

[1]	徐艺飞, 万志辉, 戴国亮, 等. 桩端后压浆灌注桩长期承载性能试验研究[J]. 建筑结构学报, 2021, 42(4): 139-146. https://www.cnki.com.cn/Article/CJFDTOTAL-JZJB202104016.htm XU Yi-fei, WAN Zhi-hui, DAI Guo-liang, et al. Experimental study on long-term bearing behaviors of base post-grouting bored piles[J]. Journal of Building Structures, 2021, 42(4): 139-146. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JZJB202104016.htm
[2]	万志辉, 戴国亮, 高鲁超, 等. 大直径后压浆灌注桩承载力和沉降的实用计算方法研究[J]. 岩土力学, 2020, 41(8): 2746-2755. WAN Zhi-hui, DAI Guo-liang, GAO Lu-chao, et al. A practical method of calculation of bearing capacity and settlement of large-diameter post-grouting piles[J]. Rock and Soil Mechanics, 2020, 41(8): 2746-2755. (in Chinese)
[3]	张立, 张乐, 陈亮锋, 等. 大直径混凝土桩的承载特性试验研究[J]. 石河子大学学报(自然科学版), 2020, 38(3): 312-317. ZHANG Li, ZHANG Le, CHEN Liang-feng, et al. Experimental study on bearing capacity of large diameter concrete piles[J]. Journal of Shihezi University (Natural Science), 2020, 38(3): 312-317. (in Chinese)
[4]	岐峰军, 骆佐龙, 姚远, 等. 桥梁桩基承载能力安全系数研究[J]. 山东农业大学学报(自然科学版), 2018, 49(4): 703-705, 709. doi: 10.3969/j.issn.1000-2324.2018.04.030 QI Feng-jun, LUO Zuo-long, YAO Yuan, et al. Study on the safety factors of load-carrying capacity of bridges pile foundation[J]. Journal of Shandong Agricultural University (Natural Science Edition), 2018, 49(4): 703-705, 709. (in Chinese) doi: 10.3969/j.issn.1000-2324.2018.04.030
[5]	李忠庚, 徐金明, 吴红斌. 桥梁工程施工及运营对岩体边坡稳定性的数值分析[J]. 上海大学学报(自然科学版), 2014, 20(5): 596-604. doi: 10.3969/j.issn.1007-2861.2014.05.007 LI Zhong-geng, XU Jin-ming, WU Hong-bin. Influences of bridge construction on stability of cutting slope using numerical simulation[J]. Journal of Shanghai University (Natural Science Edition), 2014, 20(5): 596-604. (in Chinese) doi: 10.3969/j.issn.1007-2861.2014.05.007
[6]	游尚友, 陈水生. 跨河公路桥桩基上部露筋成因及维修[J]. 中南公路工程, 2003(3): 108-109. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL200303034.htm YOU Shang-you, CHEN Shui-sheng. Causes and maintenance of the reinforcing the steel bar exposition on top piles for highway bridge foundation[J]. Highway Engineering, 2003(3): 108-109. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL200303034.htm
[7]	张瑞霞. 水上高桩码头桩基安全性评价[J]. 铁道建筑, 2012(10): 36-39. https://www.cnki.com.cn/Article/CJFDTOTAL-TDJZ201210013.htm ZHANG Rui-xia. Safety evaluation of pile foundation of high piled wharf on water[J]. Railway Engineering, 2012(10): 36-39. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TDJZ201210013.htm
[8]	谭东球, 赵万富. 桩基施工中的形变病害防治对策[J]. 测绘科技通讯, 1995, 4(3): 12-13. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKJ199503003.htm TAN Dong-qiu, ZHAO Wan-fu. Prevention and treatment of deformation disease in pile foundation construction[J]. Geomatics Technology and Equipment, 1995, 4(3): 12-13. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-CHKJ199503003.htm
[9]	杨志, 王建中, 范红霞, 等. 三维全景成像声呐系统在水下细部结构检测中的应用[J]. 水电能源科学, 2015, 33(6): 59-62, 47. https://www.cnki.com.cn/Article/CJFDTOTAL-SDNY201506014.htm YANG Zhi, WANG Jian-zhong, FAN Hong-xia, et al. Risk assessment of mountain torrent disaster at yaoan small watershed in qingyuan city based on gis technique[J]. Water Resources and Power, 2015, 33(6): 59-62, 47. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SDNY201506014.htm
[10]	胡金龙, 邓居勇. 三维声呐成像系统在防波堤水下安装块石中的运用[J]. 水运工程, 2019(1): 213-217. https://www.cnki.com.cn/Article/CJFDTOTAL-SYGC201901044.htm HU Jing-long, DENG Ju-yong. Application of 3D sonar imaging system in underwater installation of concrete cube in breakwater project[J]. Port & Waterway Engineering, 2019(1): 213-217. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SYGC201901044.htm

施引文献(6)

期刊类型引用(3)

1.	符传邦，吴育麒，吴月磊. 水泥搅拌桩各项参数对软土路基沉降的影响. 市政技术. 2023(02): 73-77 . 百度学术
2.	赵楠. 地铁隧道基底围岩动三轴试验研究. 资源信息与工程. 2022(02): 116-120 . 百度学术
3.	魏丽，柴寿喜，张琳，李瑶. 冻融作用下三类纤维加筋固化土的抗压抗拉性能. 岩土力学. 2022(12): 3241-3248+3280 . 百度学术