基于深度学习的隧道衬砌病害GPR探测智能反演与识别方法

发布时间：2020-07-27 17:15

【摘要】：随着我国水利、交通、市政等领域投入运行的隧道数量越来越多,隧道衬砌结构健康服役与长寿命运行的重要性日渐突出。隧道运营期内,经常出现裂缝、空洞、脱空、渗水等诸多结构病害,严重威胁隧道健康服役与长寿命运营。研究隧道衬砌内部结构病害的检测与识别方法,保障隧道运营安全,实现隧道衬砌病害的预知养护具有科学意义和工程价值。探地雷达是利用高频电磁脉冲的反射波来探测地下目标体分布形态及特征的一种无损检测技术,具有快速高效、结果直观等优势。然而,由于隧道衬砌结构的复杂性、病害的多样性以及隧道环境下的雷达信号的干扰等原因,衬砌病害的探地雷达数据识别存在精度差、依赖经验、自动化程度低等问题。针对以上问题,本文以实现隧道衬砌介电模型反演与病害类型、位置、轮廓自动识别为主要目标,依托深度神经网络超强的非线性映射能力,通过结合理论分析、数值模拟、模型试验等多种手段,研究基于深度学习的雷达智能反演与隧道衬砌病害识别,提出了基于深度神经网络的雷达数据智能反演方法,实现了隧道衬砌结构病害介电模型的反演;同时基于卷积神经网络实现了隧道结构异常识别与病害自动分类,并加以智能反演结果进行佐证;在智能反演结果基础上,采用SegNet深度学习模型实现了病害形态位置轮廓的细节刻画。最终形成适用于隧道衬砌病害检测数据的智能反演方法和自动识别分类方法,并通过模型试验进行验证,取得了较好的结果。本文的主要研究工作以及成果如下:(1)针对雷达检测数据到相对介电常数模型的反演难题,本文提出基于深度学习网络的雷达检测数据智能反演方法,通过深度神经网络来逼近雷达检测数据与相对介电常数模型之间非线性关系,实现检测数据到介电常数模型的映射,通过设计网络架构及参数来优化深度学习模型,提升智能反演的各项指标,进而确定深度神经网络模型。(2)针对隧道衬砌结构病害介电模型反演问题,基于实现雷达数据智能反演的神经网络,设计符合地质意义的隧道衬砌病害模型,并通过时域有限差分正演(FDTD)研究了典型衬砌结构病害的雷达响应特征,并生成对应的大量雷达检测数据,进而通过训练深度神经网络,实现隧道衬砌病害探测数据的智能反演,且智能反演结果优于传统全波形反演。(3)针对隧道衬砌内部病害类型及分布轮廓的自动识别难题,研究了基于雷达观测数据的隧道病害自动识别方法,通过构建卷积神经网络,实现了隧道衬砌内部异常识别与多种病害的数据整体分类,并加以智能反演结果进行佐证。针对隧道衬砌病害类型及轮廓识别难题,研究了基于SegNet的语义分割深度网络模型,对智能反演的预测模型进行像素级分类,实现病害形态位置的细节刻画。(4)在以上的研究基础上,设计基于深度神经网络的智能反演程序,开展了基于数值模拟的智能反演研究,并构建卷积神经网络实现雷达数据的自动识别。进而通过设计模型试验,验证了本文方法的有效性和可靠性。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U457.2
【图文】：

典型的神经网络是由具有适应性的简单单元组成的并广泛并行互连的网络，逡逑它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应［８５］。其中最逡逑基本的成分是神经元模型，如图２．１所示。其中Ｍ为当前神经元，ｘ为当前神经逡逑元的输入，ｗ为当前输入的对应权重，为当前神经元的阈值，ｙ为当前神经元逡逑的输出。在这个模型中，神经元接收到来自ｎ个其他神经元传递过来的输入，这逡逑些信号在加权之后进行传递，神经元接受到的总输入值大小与神经元的阈值进行逡逑比较，然后通过激活函数处理从而产生得到神经元输出。逡逑图２．１神经元模型逡逑Ｆｉｇｕｒｅ邋２．１邋Ｎｅｕｒｏｎ邋ｍｏｄｅｌ逡逑将多个神经元按一定层次连接起来就得到了神经网络如图２．２所示。神经网逡逑络一般由输入层、隐含层、输出层组成，而隐含层的数量则一定程度上决定了网逡逑络的复杂度。逡逑１２逡逑

深度学习强调了模型结构的深度，突出了特征学习的重要性，通过逐层特征变换，逡逑将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易，逡逑如图２．３所示。与人工规则构造特征的方法相比，利用大量数据与更深层的网络逡逑结构来自动学习特征，能够刻画数据更丰富的内在信息，避免了神经网络的低效逡逑率与过拟合风险。逡逑输＼层邋逦隐藏Ｓ逦邋输出层逡逑图２．３深度神经网络逡逑Ｆｉｇｕｒｅ邋２．３邋Ｄｅｅｐ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ逡逑２．１．２用于雷达检测数据智能反演的深度网络模型设计逡逑利用深度学习网络实现雷达数据反演是本章的核心目标，而设计适用于雷达逡逑数据特征的深度神经网络模型是实现该目标的关键。一般来说，卷积神经网络更逡逑适用于提取图像特征，也比较适合贴近从图像到图像的非线性映射关系。但是由逡逑于雷达检测数据与相对介电常数的弱空间对应性，以及随着探测深度的增加，雷逡逑达反射信号逐渐衰减，导致卷积神经网络的权重共享特性不适用于雷达检测数据逡逑的智能反演。因此，本研究在基于Ｐｙｔｏｒｃｈ框架的基础上，结合雷达数据特点，逡逑１３逡逑

逦输出层逡逑＿馨梦－逡逑图２．２神经网络逡逑Ｆｉｇｕｒｅ邋２．２邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ逡逑深度学习通过多隐藏层的网络模型和大量的训练数据，来学习更有用的特征，逡逑从而提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。逡逑深度学习强调了模型结构的深度，突出了特征学习的重要性，通过逐层特征变换，逡逑将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易，逡逑如图２．３所示。与人工规则构造特征的方法相比，利用大量数据与更深层的网络逡逑结构来自动学习特征，能够刻画数据更丰富的内在信息，避免了神经网络的低效逡逑率与过拟合风险。逡逑输＼层邋逦隐藏Ｓ逦邋输出层逡逑图２．３深度神经网络逡逑Ｆｉｇｕｒｅ邋２．３邋Ｄｅｅｐ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ逡逑２．１．２用于雷达检测数据智能反演的深度网络模型设计逡逑利用深度学习网络实现雷达数据反演是本章的核心目标，而设计适用于雷达逡逑数据特征的深度神经网络模型是实现该目标的关键。一般来说

【相似文献】

相关期刊论文 前10条

1 章恩钊;;机制砂在高寿尖隧道衬砌泵送混泥土中的应用[J];四川水泥;2017年07期

2 邵顺安;郑景祥;郑礼永;;探地雷达检测隧道衬砌的影响因素及应用[J];福建建材;2017年07期

3 徐玉兴;;地质雷达在隧道衬砌质量检测中的应用[J];中国标准化;2017年04期

4 张开;;隧道衬砌支护施工技术及质量控制[J];中国标准化;2017年04期

5 杨航;;解析高速公路隧道衬砌施工与维护技术[J];低碳世界;2017年28期

6 李冰;;基于优度评价法的隧道衬砌健康判别方法[J];新余学院学报;2017年05期

7 徐国庆;;寒区隧道衬砌主动保温效果的数值模拟研究[J];交通世界;2017年29期

8 张友衡;张帮宏;;复杂地质隧道衬砌变形分析与工程治理技术[J];居业;2017年09期

9 陈燕;;浅谈隧道衬砌质量检测和缺陷分析处理[J];安徽建筑;2015年01期

10 孙铭;;浅谈隧道衬砌施工影响因素和施工质量控制[J];城市地理;2017年08期

相关会议论文 前10条

1 金维浚;赵永贵;余文龙;;探地雷达在山区铁路隧道衬砌质量工程检测应用[A];“川藏铁路建设的挑战与对策”2016学术交流会论文集[C];2016年

2 利奕年;黄正发;;地质雷达在公路隧道衬砌检测中的应用[A];全国地下工程超前地质预报与灾害治理学术及技术研讨会论文集（Ⅲ）[C];2009年

3 谢雄耀;覃晖;;探地雷达探测隧道衬砌钢筋的神经网络识别方法[A];2010年全国工程地质学术年会暨“工程地质与海西建设”学术大会论文集[C];2010年

4 高杰;钟世航;;应用物探方法检测隧道衬砌质量[A];中国土木工程学会隧道及地下工程学会第七届年会暨北京西单地铁车站工程学术讨论会论文集（下）[C];1992年

5 付国强;;隧道衬砌雷达检测疑难解译问题剖析[A];快速提升铁路建设与装备现代化技术促进铁路跨越式发展——中国科协第五届青年学术年会第九分会场论文集[C];2004年

6 付国强;;隧道衬砌雷达检测疑难解译问题剖析[A];铁路长大隧道设计施工技术研讨会论文集[C];2004年

7 陈智;;确保隧道衬砌混凝土施工外观质量的几点措施[A];全国高性能混凝土和矿物掺合料的研究与工程应用技术交流会论文集[C];2006年

8 王新林;;参数化设计思想在隧道衬砌辅助设计中的应用[A];第十四届全国工程设计计算机应用学术会议论文集[C];2008年

9 宋战平;荆敏;吴焕通;;公路隧道衬砌结构优化设计及其工程应用[A];岩石力学与工程的创新和实践：第十一次全国岩石力学与工程学术大会论文集[C];2010年

10 洪原明;;运营隧道衬砌病害临时支护方法[A];高速重载与普通铁路桥隧运营管理与检测修理技术论文集（下册）[C];2010年

相关重要报纸文章 前7条

1 记者 杨秀权;十九局集团 精品工程群凸现渝怀线[N];中国铁道建筑报;2002年

2 唐江省 沈北林;隧道衬砌结束 稳步再追“鲁班”[N];中国铁道建筑报;2003年

3 尹登明;农民工马小利成功研制国内首台隧道衬砌砼自动养护除尘系统[N];咸阳日报;2011年

4 通讯员　 白树民;我国首台大型海底隧道衬砌设备投入使用[N];中华建筑报;2006年

5 曹建忠 刘金良;秦岭二线隧道衬砌及道床完工[N];中国铁道建筑报;2003年

6 本报记者 燕明邋通讯员 刘春辉;又写辉煌交通人[N];承德日报;2007年

7 记者 樊晋铁;今年我省水利工作重点抓好两项工程[N];山西经济日报;2016年

相关博士学位论文 前9条

1 舒志乐;隧道衬砌内空洞探地雷达探测正反演研究[D];重庆大学;2010年

2 于媛媛;山岭隧道衬砌结构震害机理研究[D];中国地震局工程力学研究所;2013年

3 林春金;运营隧道衬砌渗漏水机理及注浆治理研究[D];山东大学;2017年

4 董飞;地铁隧道衬砌结构破坏机理与安全性评价[D];北京交通大学;2018年

5 约瑟夫·阿卜杜勒·瓦希德·曼索尔（Yousif Abdulwahid Mansoor）;隧道衬砌腐蚀后强度研究[D];西南交通大学;2013年

6 张振宇;橡胶垫与混凝土接触模型及其在盾构隧道中的应用研究[D];中国矿业大学(北京);2018年

7 周小义;岩土工程中数值流形方法的应用与研究[D];重庆大学;2008年

8 高峰;地下结构动力分析若干问题研究[D];西南交通大学;2003年

9 张伟伟;大型正交异性结构动力学分析的空间—时域多尺度方法及应用研究[D];上海交通大学;2014年

相关硕士学位论文 前10条

1 余东洋;铁路隧道衬砌背后空洞缺陷安全性评价及处治对策研究[D];中国铁道科学研究院;2019年

2 徐辉;基于深度学习的隧道衬砌病害GPR探测智能反演与识别方法[D];山东大学;2019年

3 李晋;基于BIM技术的地铁区间隧道衬砌结构设计软件研究[D];重庆交通大学;2018年

4 潘东;火灾作用下大直径盾构隧道衬砌力学性能和损伤规律研究[D];北京交通大学;2018年

5 时旦;新建高铁隧道衬砌质量缺陷与安全性评价标准研究[D];北京交通大学;2018年

6 李东清;含空洞的高铁隧道衬砌损伤与结构寿命的关系研究[D];北京建筑大学;2018年

7 韩学冲;基于BIM技术的公路隧道衬砌设计程序的研究[D];重庆交通大学;2018年

8 蒋凡;基于图像处理的车载式隧道衬砌裂缝检测系统研究[D];长安大学;2018年

9 张博;云南山区公路隧道衬砌病损特征及服役状况评价方法研究[D];昆明理工大学;2018年

10 刘宇;“渗流-应力场”及双因素作用下隧道衬砌混凝土性能试验研究[D];江苏科技大学;2018年

本文编号：2772128