[发明专利]一种基于超声波的预应力管道灌浆质量检测方法

权利要求书

1.一种基于超声波的预应力管道灌浆质量检测方法，其特征是按如下步骤进行：

步骤1、将压电陶瓷换能器沿灌浆管道长度方向布置、分别预埋在预应力管道的内部和表面，用以发射和接收超声波信号；

步骤2、针对利用压电陶瓷换能器采集获得的超声波信号进行小波包变换逐层分解，并构建所有小波包分量的能量分布矩阵；

步骤3、建立并训练卷积神经网络模型，将小波包分量组成的能量分布矩阵输入到模型中，进行预应力管道灌浆质量的评估。

2.根据权利要求1所述的基于超声波的预应力管道灌浆质量检测方法，其特征是：

所述压电陶瓷换能器包括驱动器和传感器；所述驱动器是在预应力钢筋上安装大理石封装压电陶瓷换能器进行激励产生超声波；所述传感器是在预应力钢束管道表面安装压电陶瓷换能器作为传感器接收超声波。

3.根据权利要求2所述的基于超声波的预应力管道灌浆质量检测方法，其特征是：

所述驱动器是由压电陶瓷驱动器发射正弦扫频信号。

4.根据权利要求1所述的基于超声波的预应力管道灌浆质量检测方法，其特征是：

在所述步骤2中按如下方式进行小波包变换分解，并获得小波包分量的能量：

首先选取小波包变换层数m，将采集获得的超声波信号x(t)通过m层小波包变换分解为2^m个频带的小波包分量

第n个小波包分量的小波包系数如式(2)：

式(2)中：

为选取的小波包基函数；

i为调幅参数，j和k分别为尺度因子和平移因子；

重组每个小波包分量如式(3)：

由式(4)计算获得所有小波包分量的能量E_n，n＝1,2,…,2^m：

构建所有小波包分量的能量分布矩阵E'如式(5)：

完成步骤2中针对小波包分量的能量分布矩阵的构建。

5.根据权利要求1所述的基于超声波的预应力管道灌浆质量检测方法，其特征是：

在所述步骤3中，所述卷积神经网络模型包括依次设置的输入层、隐藏层和输出层；隐藏层包括依次设置的第一卷积层(Conv1)、第一激活层(ReLU1)、第一批归一化层(BN1)、第一池化层(MP1)、第二卷积层(Conv2)、第二激活层(ReLU2)、第二批归一化层(BN2)、第二池化层(MP2)、第三卷积层(Conv3)、第三激活层(ReLU3)、第三批归一化层(BN3)、第三池化层(MP3)、随机失活层(Dropout)、第四全连接层(FC4)、第四激活层(ReLU4)、第五全连接层(FC5)、第五激活层(ReLU5)和第六全连接层(FC6)；

输出层采用Softmax函数输出。

6.根据权利要求1所述的基于超声波的预应力管道灌浆质量检测方法，其特征是：

在所述步骤3中，按如下过程训练卷积神经网络模型：

步骤3.1、设计N种不同灌浆密实度工况的试件，所述灌浆密实度工况包括：不同类型的灌浆缺陷和缺陷尺寸；

步骤3.2、在预应力钢束上预埋压电陶瓷换能器作为驱动器发射激励超声波，在预应力管道表面预埋压电陶瓷换能器作为传感器采集超声波信号；

步骤3.3、选取合适的小波基函数和小波包变换层数m，将采集到的超声波信号通过小波包变换分解为2^m个频带的小波包分量，将各个小波包分量向量进行合并，构建小波包分量的能量分布矩阵；

步骤3.4、针对每种工况按步骤3.2和步骤3.3重复测试200次，获得共200×N个小波包分量的能量分布矩阵作为卷积神经网络的训练集，利用训练集通过训练获得用于识别不同密实度质量的卷积神经网络模型。