一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法技术

本发明专利技术公开了一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法，包括以下步骤：S1、构建包含不同电化学腐蚀时间对应声波信号的样本数据集；S2、构建神经网络，并利用样本数据集对其训练；S3、将待检测声波信号输入至训练好的神经网络，获得对应的衬砌腐蚀时间，实现隧道衬砌腐蚀程度检测。本发明专利技术方法能够满足对衬砌腐蚀时间的无损检测，并且具有良好的经济性、便捷的实施性以及可靠的准确性。便捷的实施性以及可靠的准确性。便捷的实施性以及可靠的准确性。

【技术实现步骤摘要】
一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法


[0001]本专利技术涉及隧道衬砌腐蚀检测
，具体涉及一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法。

技术介绍

[0002]目前所实施的腐蚀检测通常采用基于电化学的检测方法，该类方法可以通过测定混凝土腐蚀部位钢筋的电信号，实现对腐蚀程度的评估，但在实施过程中由于混凝土多样的服役环境以及混凝土体系自身电介质的复杂特性，很难对其进行精确的腐蚀程度界定；同时受限于电化学测试的试验装备，该方法往往需要耗费大量的人力与时间成本，降低工程的经济性与时效性。因此，亟需开发一种针对于隧道衬砌腐蚀程度的高效无损检测方法。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法解决了现有检测方法不易精确界定腐蚀程度，且需要消耗大量的人力与时间成本的问题。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法，包括以下步骤：
[0005]S1、构建包含不同电化学腐蚀时间对应声波信号的样本数据集；
[0006]S2、构建神经网络，并利用样本数据集对其训练；
[0007]S3、将待检测声波信号输入至训练好的神经网络，获得对应的衬砌腐蚀时间，实现隧道衬砌腐蚀程度检测。
[0008]进一步地，所述步骤S1具体为：
[0009]S11、使用叩诊锤敲击未进行电化学腐蚀的衬砌内壁位置，并记录对应产生的声波信号；/>[0010]S12、设置电化学腐蚀时间间隔，并记录对应电化学腐蚀处叩诊锤敲击对应的声波信号；
[0011]S13、对不同电化学腐蚀时间对应采集的声波信号添加腐蚀时间标签，获得样本数据集。
[0012]进一步地，所述步骤S2中的神经网络包括依次连接的第一卷积层、第二卷积层、第一空洞卷积层、第二空洞卷积层、第三空洞卷积层、全局平均池化层以及全连接层。
[0013]进一步地，所述第一卷积层包含32个尺寸为5
×
1的过滤器，步长为3，激活函数为非线性激活函数，填充方式设置为相同；
[0014]所述第二卷积层包含32个尺寸为3
×
1的过滤器，步长为1，激活函数为非线性激活函数，填充方式为边缘以0填充；
[0015]所述第一空洞卷积层包括32个尺寸为3
×
1的过滤器，步长为1，膨胀率设置为2，填充方式设置为边缘不填充；
[0016]所述第二空洞卷积层包括32个尺寸为3
×
1的过滤器，步长为1，膨胀率设置为4，填充方式设置为边缘不填充；
[0017]所述第二空洞卷积层包括32个尺寸为3
×
1的过滤器，步长为1，膨胀率设置为8，填充方式设置为边缘不填充；
[0018]所述全连接层设置有若干对应于每个电化学腐蚀间隔的全连接子单元，激活函数为归一化指数函数。
[0019]进一步地，所述第一～第二卷积层对输入信息进行卷积运算的表达式为：
[0020][0021]式中，表示第一～第二卷积层激活前的输出，表示过滤器，表示前一层的输出，表示偏差，conv1D(.)表示一维卷积，表示激活后的输出，f(.)表示为激活函数，l为神经网络的当前层数，i为前一层的第i个神经元；k为当前层的第k个神经元；N为前一层第i个神经元至当前层第k个神经元的个数。
[0022]进一步地，所述第一～第三空洞卷积层对输入信息进行卷积运算的表达式为：
[0023][0024]其中，y(n)为第一～第三空洞卷积层的输出，w(.)表示过滤器，x表示为前一层的输出，r表示膨胀率，k表示卷积核尺寸，n为输入数据长度。
[0025]进一步地，所述全局平均池化层的输出的数学表达式为：
[0026][0027]其中，T表示前一层输出特征图的长度，f
k
(t)表示上一个空洞卷积层中，第k个过滤器的第t次计算所输出的特征图。
[0028]进一步地，所述全连接层对输入的所有通道图连接起来，并将所有特征进行分类及加权求和计算，获得检测结果；
[0029]其中，加权求和的表达式为：
[0030][0031]其中，w
i
表示全连接层中的加权系数，x
i
表示上一层第i个神经元的值，b
i
表示全连接层的偏置量，y
w,b
(x)为全连接层的输出，f(
·
)为激活函数。
[0032]进一步地，所述步骤S3中，将待检测声波信号输入至训练完成的神经网络中，输出对腐蚀时间的分类结果，实现隧道衬砌腐蚀程度检测；
[0033]所述分类结果表示每一腐蚀时间所对应声波信号的识别结果，并以百分比的形式呈现出分类正确的声波信号占比。
[0034]本专利技术的有益效果为：
[0035]本专利技术方法同时具备较高的分类精度、自动的特征提取模式以及良好的抗噪声能力，具体表现为：
[0036](1)较高的分类精度：通过对训练集中声波信号的跟踪学习，最终可以实现95.7％的平均分类精度；
[0037](2)自动的特征提取模式：在神经网络的学习过程中，网络会自动的提取声波信号所包含的特征，区别于需要手动提取原始信号所包含特征的机器学习网络；
[0038](3)良好的抗噪声能力：该神经网络的分类效果受到噪声的影响很小，在信噪比达到0时，仍然保持93.9％的平均分类精度，就土木行业而言，该神经网络可以完成在服役期间对衬砌腐蚀程度的精准监测。
附图说明
[0039]图1为本专利技术提供的基于叩诊声波信号的隧道衬砌腐蚀程度检测方法流程图。
[0040]图2为本专利技术提供的衬砌内壁处叩诊声波信号的场景布置示意图。
[0041]图3为本专利技术提供的声波信号时域波形示意图。
[0042]图4为本专利技术提供的神经网络示意图。
具体实施方式
[0043]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0044]本专利技术实施例提供了一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法，如图1所示，包括以下步骤：
[0045]S1、构建包含不同电化学腐蚀时间对应声波信号的样本数据集；
[0046]S2、构建神经网络，并利用样本数据集对其训练；
[0047]S3、将待检测声波信号输入至训练好的神经网络，获得对应的衬砌腐蚀时间，实现隧道衬砌腐蚀程度检测。
[0048]本专利技术实施例的步骤S1具体为：
[0049]S11、使用叩诊锤敲击未进行电化学腐蚀的衬砌内壁位置，并记录对应产生的声波信号；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于叩诊声波信号的隧道衬砌腐蚀程度检测方法，其特征在于，包括以下步骤：S1、构建包含不同电化学腐蚀时间对应声波信号的样本数据集；S2、构建神经网络，并利用样本数据集对其训练；S3、将待检测声波信号输入至训练好的神经网络，获得对应的衬砌腐蚀时间，实现隧道衬砌腐蚀程度检测。2.根据权利要求1所述的基于叩诊声波信号的隧道衬砌腐蚀程度检测方法，其特征在于，所述步骤S1具体为：S11、使用叩诊锤敲击未进行电化学腐蚀的衬砌内壁位置，并记录对应产生的声波信号；S12、设置电化学腐蚀时间间隔，并记录对应电化学腐蚀处叩诊锤敲击对应的声波信号；S13、对不同电化学腐蚀时间对应采集的声波信号添加腐蚀时间标签，获得样本数据集。3.根据权利要求2所述的基于叩诊声波信号的隧道衬砌腐蚀程度检测方法，其特征在于，所述步骤S2中的神经网络包括依次连接的第一卷积层、第二卷积层、第一空洞卷积层、第二空洞卷积层、第三空洞卷积层、全局平均池化层以及全连接层。4.根据权利要求3所述的基于叩诊声波信号的隧道衬砌腐蚀程度检测方法，其特征在于，所述第一卷积层包含32个尺寸为5
×
1的过滤器，步长为3，激活函数为非线性激活函数，填充方式设置为相同；所述第二卷积层包含32个尺寸为3
×
1的过滤器，步长为1，激活函数为非线性激活函数，填充方式为边缘以0填充；所述第一空洞卷积层包括32个尺寸为3
×
1的过滤器，步长为1，膨胀率设置为2，填充方式设置为边缘不填充；所述第二空洞卷积层包括32个尺寸为3
×
1的过滤器，步长为1，膨胀率设置为4，填充方式设置为边缘不填充；所述第二空洞卷积层包括32个尺寸为3
×
1的过滤器，步长为1，膨胀率设置为8，填充方式设置为边缘不填充；所述全连接层设置有若干对应于每个电化学腐蚀间隔的全连接子单元，激活函数为归一化指数函数。5.根据权利要求4素数的基于叩诊声波信号的...

【专利技术属性】
技术研发人员：杜佳骏，张振，刘性帅，葛世龙，马士强，张乐昌，晏启祥，张川，张毅峰，
申请(专利权)人：山东高速工程建设集团有限公司，
类型：发明
国别省市：