基于卷积生成对抗网络的锚杆锚固系统灌浆缺陷识别

发布时间：2021-11-12 05:03

　　锚固支护具有成本低、效率高、性能好等诸多优点,在工程中得到了广泛应用。良好的锚杆支护效果是工程安全的保障,但是随着锚杆在工程中发挥作用,难免会出现各种各样的缺陷。灌浆作为锚杆锚固系统的重要组成部分,一旦发生严重的损坏,使得粘结力达不到要求,很可能影响支护效果,给工程安全带来威胁,因此判别锚杆锚固系统的灌浆是否存在缺陷很有必要。目前的缺陷识别方法大多基于信号处理技术,然后通过专业人员对波形的分析进行人工提取特征,存在费时费力、特征难以充分挖掘等问题。神经网络可以作为智能分类器来应用,通过非线性的激活函数可自动进行特征提取,为锚杆锚固系统的缺陷识别提供了新的研究方向。但运用神经网络来进行锚杆锚固系统的缺陷识别存在两方面的问题,首先,实际工程中锚杆锚固系统发生的缺陷很可能是数据库中没有的类型,因此具有未知的特征,这给判别锚杆锚固系统是否存在缺陷带来困难;其次,收集带标签的锚杆锚固系统的数据成本很高,而且以较少的有标签训练样本对缺陷情况进行识别是一个具有挑战性的问题。本文针对以上两个问题,提出了一种卷积生成对抗网络,并将其作为分类器对基于超声导波的锚杆锚固系统实验数据进行缺陷识别。主要研究内容... 

【文章来源】：石家庄铁道大学河北省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

巷道中的锚杆锚固系统(锚杆的大部分埋在围岩中，只有自由端裸露在外面)

第一章绪论-8-检测的理论基础，然后利用超声导波法对四种锚杆锚固系统模型在搭建的实验平台上进行了数据采集。第三章基于有监督MSCGAN的锚杆锚固系统未知缺陷识别。首先，对生成对抗网络的理论进行了介绍，然后提出了多尺度卷积生成对抗网络，运用有监督的学习方式，将所提出的网络用于锚杆锚固系统未知缺陷识别，并将识别结果与其他算法进行了比较，最终确定了尺度的大校第四章基于半监督MSCGAN的锚杆锚固系统缺陷识别。针对训练神经网络需要大量有标签样本的问题，采用半监督学习的方法，按照是否将所有带缺陷的锚杆锚固系统视为一类，对相关的缺陷识别工作进行了两组实验，并进行了实验分析。第五章总结与展望。本章对目前所做工作进行了总结，并对实验准备和提高模型泛化能力方面进行了展望。图1-2论文整体研究框图

第二章锚杆锚固系统数据采集-9-第二章锚杆锚固系统数据采集可靠的实验数据是锚杆锚固系统缺陷识别工作的基础，超声导波法作为获取数据的方法之一，应用非常广泛，具有单点激励、检测距离远等诸多优点[49]。本章采用基于磁致伸缩的超声导波法对完好型锚杆锚固系统模型和三种带有灌浆缺陷的锚杆锚固系统模型进行数据采集。2.1磁致伸缩效应与原理当给物体施加外磁场时，一些物体在磁化方向上会发生伸长或缩短的现象，被称为磁致伸缩效应。从微观角度来看(如图2-1所示)，在外加磁场的作用下，物体会按照易于磁化的方向(即外部磁场的磁场线方向)发生磁化，以降低其自身的磁场能量，与此同时晶格会产生形变，最终这种微观形变累积形成宏观形变。图2-1磁致伸缩原理(图中的小区域称为磁畴，箭头表示磁化取向，在没有外加磁场时，各磁畴的自发磁化取向不同，作用相互抵消，因此对外不显示磁性。但外磁场的作用使得铁磁性物质中磁筹的取向逐渐平行于外磁场方向，宏观上在外磁场的方向上显示伸长，而在垂直于外磁场的方向上显示缩短)铁磁性物质均具有磁致伸缩效应，对于不同的材料其磁致伸缩的强度不同，此外，磁致伸缩材料的伸缩量还与磁场强度的大小有关，磁场强度越大，物体产生的形变量越大，但磁场强度和形变量并不是严格的正比关系，当磁场强度增长到一定值时，材料的形变量不再增加，如图2-2所示。


本文编号：3490222