Page 91 - 无损检测2022年第七期

邹兰林,等:
小波分析结合神经网络的桩基缺陷检测

图 4 3 种典型缺陷的超声波信号能量谱比重图
表 1 部分归一化后的特征向量
桩基状况 特征向量 E E E E E E E E
' 1
' 8
' 6
' 7
' 4
' 2
' 5
' 3
无损 T1 0.5288 0.7193 0.1891 0.1366 0.3518 0.1183 0.0668 0.0797

无损 T2 0.6086 0.6597 0.1609 0.1292 0.3515 0.0960 0.1284 0.0502

无损 T3 0.5781 0.6492 0.1265 0.2065 0.4715 0.0756 0.0546 0.0275

夹泥砂类缺陷 T4 0.8602 0.2753 0.1351 0.1407 0.3498 0.1219 0.0778 0.0537

夹泥砂类缺陷 T5 0.8621 0.2652 0.1414 0.1259 0.3556 0.1103 0.0926 0.0579

夹泥砂类缺陷 T6 0.7623 0.3215 0.2154 0.1865 0.4315 0.0829 0.1054 0.0489

空洞类缺陷 T7 0.8989 0.2429 0.2343 0.2290 0.0975 0.0820 0.0676 0.0698

空洞类缺陷 T8 0.9427 0.2084 0.1825 0.1649 0.0334 0.0981 0.0438 0.0439

空洞类缺陷 T9 0.8267 0.1756 0.2854 0.2752 0.0227 0.1541 0.0154 0.2648
数, 训练精度为 1.0×10 , 通过前文所述算法进行 从表 2 可 以 看 出, 训 练 后 的 神 经 网 络 桩 基 缺
-5
BP 神 经 网 络 训 练, 训 练 精 度 设 置 为 0.001 。 经 过 陷检测模 型 可 以 有 效 准 确 地 检 测 桩 基 缺 陷, 实 际
259 次迭代最终收敛, 完成了学习训练过程, 精度满 输出与期望 输 出 的 误 差 为 0.10 , 满 足 桩 基 缺 陷 检
足要求, 误差曲线如图 5 。 测的要求。
4 结语

( 1 )运用小波包分解超声波信号, 将带有缺陷信
息的特征向量输入神经网络进行训练学习, 大大简化
了网络结构, 减少了计算量, 同时也解决了传统桩基
检测中难以有效提取超声波信号特征的问题。
( 2 )通过对小波神经网络模型的实例分析可以

看出, 小波分析结合神经网络的桩基超声波检测方
图 5 神经网络误差曲线
法提高了桩基缺陷检测的速度, 保证了桩基检测效
将 6 组待诊断样本输入到训练后的神经 网络 率, 对于降低人工误差, 提高桩基缺陷检测的准确
中, 比较实际输出和期望输出结果( 见表 2 )。 率, 实现桩基的智能化检测具有重要意义。
表 2 神经网络输出结果
参考文献:
期望输出 实际输出 桩基状况
[ 1 ] 程志和, 邓友生, 孙雅妮, 等 . 桩基检测技术的 发 展 与

1 0 0 0.9635 , 0.0288 , 0.0155 正常 应用研究[ J ] . 混凝土与水泥制品, 2019 ( 3 ): 80-84.

1 0 0 0.9657 , 0.0135 , 0.0272 正常 [ 2 ] 张丽萍 . 基于小波概率神经网络的单桩竖向承载力预

0 1 0 0.0225 , 0.9072 , 0.0317 夹泥类缺陷 测模型及应 用 研 究[ J ] . 工 业 建 筑, 2012 , 42 ( 9 ): 107-
109 , 161.
0 1 0 0.0185 , 0.9421 , 0.0354 夹泥类缺陷
[ 3 ] 谢洪阳, 殷金泉, 黄频波, 等 . 小波变换与近似 熵 原 理

0 0 1 0.0257 , 0.0373 , 0.9273 空洞类缺陷
在桩基检测中的应用[ J ] . 无损检测, 2012 , 34 ( 4 ): 35-

0 0 1 0.0168 , 0.0221 , 0.9356 空洞类缺陷
37 , 41.
3
5
2022 年 第 44 卷 第 7 期
无损检测