[发明专利]基于卷积神经网络的锚杆锚固密实度等级评定方法

说明书

本发明提供一种基于卷积神经网络的锚杆锚固密实度等级评定方法，通过声波反射法获取反射信号，通过对其进行归一化、平滑和对x方向修正等处理，得到规格化后的反射信号并绘制成波形图；根据数据长度建立不同的训练样本数据集和其波形图，使用人工方式获得分类标签，使用卷积神经网络训练获得相应的训练模型；在进行具体的分类时将本次测量的波形图输入到该分类模型中，进行一次正向计算，得到各分类概率，从而实现了锚杆锚固密实度的等级评定。该方法使用标准的卷积神经网络进行判定，具有稳定性好，现场适应性强、判定结果准确等特点，有较好的应用效果。

技术领域

本发明属于工程测量领域，尤其涉及使用声波反射法对锚杆进行无损检测时的一种基于卷积神经网络的锚杆锚固密实度等级评定方法。

背景技术

锚杆支护技术广泛应用于各种支护工程，其原理是通过将锚杆锚入围岩内部，从而改变围岩本身的力学状态，可提高围岩的环向抗压强度，并有效地控制围岩的变形；锚杆的锚固密实度是评价能否达到上述工程目的的重要指标。

在工程应用中，通常采用声波反射法来实现对锚杆长度和锚杆锚固密实度的无损检测；声波反射法将激振声波信号作用在锚杆的露出端，使用加速度或速度传感器对反射信号进行检测，根据得到的反射信号，判定锚杆的长度和锚固密实度。

根据国家行业标准JGJ/T182-2009《锚杆锚固质量无损检测技术规程》的规定，锚杆的锚固密实度共分ABCD四个等级；在实际情况中，A级和B级确定为合格，C级和D级确定为不合格。

但是该标准仅给出了锚杆锚固密实度的定性判别标准，许多地方用词较为模糊，如对反射信号的描述为：“杆底反射信号微弱”、“有较弱的缺陷反射波”、“清晰的杆底反射波”等；对波形的描述为：“波形规则”、“波形较规则”、“波形欠规则”、“波形不规则”等；这类定性描述在实际应用中不容易掌握相应的尺度；另外标准中还给出了时域信号特征和幅频信号特征，若同时识别则在一定程度上增加了评定锚固密实度等级的难度。

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，包含了由卷积层和子采样层构成的特征抽取器，以及将局部特征连接为全局特征的全连接层，在图像检测和分类中有较为广泛的应用。

为了实现对锚杆锚固密实度等级评定的定量化计算，考虑到依据反射信号对锚杆锚固密实度判断的实质是一种对波形或波形图像进行的识别，本发明提供了一种将采集到的反射信号绘制成图像后使用卷积神经网络技术对其等级进行评定的方法，既能满足规程要求，同时还有现场适应性好、判定结果准确的特点，具有较好的应用价值。

发明内容

基于卷积神经网络的锚杆锚固密实度等级评定方法，包括以下步骤。

步骤1，使用声波反射法获取锚杆的杆底前反射信号；

根据杆长、杆系波速及频域分辨率等因素，预先确定接收反射信号的长度和采样率；

杆底前反射信号指不超过杆底反射时程的反射信号；

超过杆底反射时程的需要在测量后去除；

这可以根据杆长和外露长预先确定；但要预留后续新零点前需要去除的点。

步骤2，对反射信号进行归一化处理，包括Y方向归一化和X方向归一化；

Y方向归一化是振幅归一化，即将反射信号的纵坐标归一化到设定的振幅区间，避免因每次测量时激振信号强度不同造成的反射信号强度不同，从而使波形之间无法进行比较的情况；

振幅归一化的具体方法是，先求出反射信号在Y方向上的绝对值最大值，再计算设定的振幅区间值与该最大值的比例值，然后将所有的振幅值乘以该比例值，实现等比例缩放；

X方向归一化是时间归一化，即将反射信号的时间横坐标归一化到统一时间间隔；