0 概述

隨著我國基礎建設的蓬勃發(fā)展，樁基礎在公路及鐵路橋梁、港口碼頭、海上采油平臺、高層建筑、重型廠房以至核電站等工程中大量采用。但由于樁基礎屬于地下隱蔽工程，往往會因為施工工藝不成熟、地質(zhì)條件復雜、施工隊伍水平差、質(zhì)量量控制不嚴等因素的影響，導致樁基施工過程中出現(xiàn)縮頸、擴徑、裂紋、夾泥、沉渣甚至斷樁等質(zhì)量問題，必須會影響到樁基的承載力，從而影響上部結(jié)構(gòu)的安全性。因此，在樁基施工完成后，對其樁身完整性進行檢測成為必然，由于超聲透射法具有便捷、迅速、缺陷反映靈敏度高、缺陷檢測范圍廣等優(yōu)點，從而被廣泛用于樁身完整性的檢測。
目前，在所有現(xiàn)行的行業(yè)及地方樁基完整性檢測規(guī)程中，超聲透射法都根據(jù)平測和（或）斜測時所接收的信號的物理量（首波聲時、幅度和頻率、波形）的變化，利用數(shù)理統(tǒng)計的方法并結(jié)合個人的經(jīng)驗對缺陷位置、缺陷程度進行定性的或經(jīng)驗性的判定。這種方法受人的經(jīng)驗因素影響很大，其測量準確性對檢測人員的水平依賴很大，而且也不利于檢測的自動化、智能化，顯然已不適應現(xiàn)代工程檢測需要。近年來國內(nèi)學者開展了缺陷判定的研究工作，缺陷判斷從單一的參數(shù)向多因數(shù)發(fā)展，從定性的或經(jīng)驗性的判斷向定量化發(fā)展。但基本上是四個方面：其一是數(shù)值判斷，其二是采用信號處理技術(shù)，其三是采用模式識別技術(shù)，其四是采用超聲CT層析成像技術(shù)。
近幾年，北京地區(qū)公路橋梁建設如火如荼，相應的基樁數(shù)量明顯增多，在現(xiàn)有的靠分析人員經(jīng)驗判斷基樁完整性的情況下，一方面會降低基樁檢測工作的效率，影響工程進度，另一方面在基樁檢測諸多因素影響下，難免會降低基樁完整性判斷的準確性；同時在基樁完整性檢測數(shù)據(jù)后處理及出具檢測報告方面，現(xiàn)有的方法效率低下，不能與基樁檢測工作相應的同步。
因此，基于現(xiàn)有超聲透射法檢測基樁完事性設備，依據(jù)現(xiàn)行的行業(yè)或地方的基樁完整性檢測規(guī)程，對缺陷的類型、位置及嚴重程度等進行自動識別，研發(fā)聲波透射法基樁完整性檢測計算機輔助識別系統(tǒng)，并自動出具檢測報告顯得尤為重要。因此，北京市交通行業(yè)科技項目“橋梁樁基檢測自動識別技術(shù)研究及應用”正式立項，開展“聲波透射法基樁完整性檢測計算機輔助識別系統(tǒng)”的研究與開發(fā)，本文將對其主要研究成果進行簡要闡述。

1 理論基礎

1.1小波變換與小波包變換

(一) 小波變換
小波變換是一種信號的時間-尺度（時間-頻率）分析方法，它具有多分辨率分析的特點，而且在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變但其形狀可改變、時間窗和頻率窗都可以改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率，很適合于探測正常信號中夾帶的瞬態(tài)反常現(xiàn)象并展示其成份，所以被譽為分析信號的顯微鏡，利用小波變換進行缺陷信號的檢測與診斷具有良好的效果。
對于任意函數(shù)的連續(xù)小波變換定義為：


(一) 小波包變換
小波包是由Coifman等人引入的，他們在正交小波基的基礎上提出了正交小波包的概念。后來又進一步發(fā)展到半正交小波包及廣義小波包。
正交小波變換在分解過程中只是對信號的低頻部分做進一步分解，而對信號的高頻部分（細節(jié)部分）不再繼續(xù)分解，因此小波變換能夠很好地表示以低頻信息為主要成份的信號，但是它對包含大量細節(jié)信息的信號不能很好地分解和表示。與小波變換不同的是，小波包變換在對信號的低頻部分進行分解同時還對信號的高頻部分進行更精細的分解，并且這種分解既沒有冗余，也沒有疏漏，所以對包含中、高頻信息的振動信號能夠提供比小波變換更好的時頻局部化分析能力。
所謂正交小波包，粗略地講，是一函數(shù)族，由它們可構(gòu)造L²(R）的標準正交基庫，從此正交基庫中可以選出L²(R）的許多組標準正交基，通常的正交小波基是其中的一組。小波函數(shù)是小波包函數(shù)族中的一個，所以，小波包是小波函數(shù)的推廣。
式中：V_i——第i個測點的聲速（km/s）；
V_m——根據(jù)《建筑基樁檢測技術(shù)規(guī)范（JGJ106-2014）》計算的聲速平均值（km/s）；
1） 首波幅度與幅度平均值之差
測點波幅值與剖面幅度平均值之差與波幅異常程度之間有較好的相關性，與缺陷的類型及嚴重程度有一定的相關性，為此，我們將“測點波幅值與剖面幅度平均值之差”作為缺陷識別的特征參量之一是具有可行性的。
測點幅度與剖面幅度平均值之差為：

式中：A_m——根據(jù)《超聲法檢測混凝土缺陷技術(shù)規(guī)程（CECS 21:2000）》計算的波幅平均值（dB）；
A_i——第i個測點相對波幅值（dB）；
1） 測點信號能量與最大信號能量之比
通過對缺陷樁及完整樁的能量曲線（橫坐標為測點序號，縱坐標為各測點的能量與最大能量之比）進行研究，發(fā)現(xiàn)當測點能量與最大能量之比值低于某一值時，則該測點為可疑點，可能存在缺陷，而且該比值越小，則表示缺陷越嚴重，所以用此比值作為缺陷嚴重程度自動識別是可行的。
測點信號能量與最大信號能量之比為：

式中：E_i——第i個測點信號的能量；
E_max——最大信號能量；
1） 小波包分解后各頻帶信號的能量分布
與完好測點的超聲信號相比，有缺陷的測點的超聲信號能量在一些特定的頻帶內(nèi)將顯示出顯著的不同。這是因為缺陷會衰減或增強特定頻帶的響應信號的一些成份。也就是說，缺陷能引起某些頻帶超聲檢測信號能量的增加，或者另外某些頻帶超聲檢測信號能量的減少。因此，在各頻率成份的信號的能量中，包含著豐富的缺陷信息，某種或某幾種頻率成份能量的改變即代表了缺陷嚴重程度不同。利用這一特征就可以建立能量變化與缺陷嚴重程度的映射關系，得到表征缺陷嚴重程度的特征向量。


在超聲透射法檢測樁基完整性時，換能器所發(fā)射的超聲波信號主頻為50kHz左右，因此，在進行小波包分解時，僅需要得到60kHz以下的信號能量，所以根據(jù)超聲信號采樣頻率的不同，對其進行不同層數(shù)的分解，從而得到頻帶分別為[0，9.765625kHz)、[9.765625kHz，19.53125kHz)、[19.53125kHz，29.296875kHz)、[29.296875kHz，39.0625kHz)、[39.0625kHz，48.828125kHz)、[48.828125kHz，58.59375kHz)的6個能量分布值。

3.2 訓練與預測

對基地的10根模型樁及實際工程中檢測并驗證過的40根樁進行特征參量提取，最終得到50個參量文件。手動編輯特征參量文件，對基地的每根模型樁、每個剖面的每個測點的缺陷嚴重程度（缺陷嚴重程度以異常程度指數(shù)標識，指數(shù)0、1、2、3分別表示無缺陷、輕微缺陷、明顯缺陷、嚴重缺陷）進行人工判斷并標記類別號。
由于無缺陷（異常程度指數(shù)為0）的數(shù)據(jù)樣本數(shù)量較多，而輕微缺陷、明顯缺陷及嚴重缺陷（異常程度指數(shù)為1至3）的數(shù)據(jù)樣本數(shù)量較少，為增加其樣本數(shù)量，40根工程樁僅針對缺陷部位測點進行嚴重程度的人工判斷并標記類別號，然后將標記過的測點數(shù)據(jù)合并到Flaw.txt文件中，最后一共得到6432組樣本數(shù)據(jù)（其中，異常程度指數(shù)為3的樣本數(shù)量為752組，異常程度指數(shù)為2的樣本數(shù)量為546組、異常程度指數(shù)為1的樣本數(shù)量為508組，余下的為異常程度指數(shù)為0的樣本）。
對于不同的特征參量組合（詳見表1），將樣本數(shù)據(jù)中不同數(shù)量的數(shù)據(jù)提取出來作為訓練和預測數(shù)據(jù)，利用不同的尋找最優(yōu)參數(shù)的方法，得到最優(yōu)懲罰因子及核函數(shù)的γ值，然后分別使用多項式核函數(shù)、徑向基核函數(shù)進行訓練與預測，得到不同的訓練與預測結(jié)果（見表2）。經(jīng)過對比分析，5種特征參量的組合在訓練樣本數(shù)量為5000時，使用徑向基核函數(shù)進行訓練與驗證得到的效果最優(yōu)（訓練與預測準確率的平均值較高，接近93%，且訓練與預測準確率的差值絕對值較小），其訓練模型文件FlawTrain5.model將用于對超聲檢測樁基所有剖面的所有測點的缺陷嚴重程度進行預測（識別）。

3.3 SVM缺陷嚴重程度識別在樁基檢測中應用

在MFC程序中，利用訓練得到的模型文件FlawTrain5.model，調(diào)用LibSVM的相關函數(shù)對超聲檢測樁基所有剖面的所有測點的缺陷嚴重程度進行預測（識別），獲得每個測點的異常程度指數(shù)，并在曲線圖上繪制異常程度指數(shù)曲線。
對基地的10根模型樁進行分析，得到其異常程度指數(shù)曲線，可以直觀地發(fā)現(xiàn)10根樁埋設缺陷的位置的異常程度指數(shù)為2或3，即存在明顯或嚴重缺陷，與設計基本吻合。受篇幅所限，圖3僅列出基地模型樁中的兩根樁的異常程度指數(shù)曲線（曲線圖最右側(cè)的紅色曲線）。 對163根工程樁進行分析，得到其異常程度指數(shù)曲線，由于受篇幅所限，僅列出其中3根樁的曲線圖，如圖4所示。R1-3#樁的三個剖面均在樁底存在明顯缺陷；1-6#樁在4米附近有兩個剖面存在嚴重缺陷，1個剖面存在明顯缺陷，此外，3個剖面在樁頭均存在明顯缺陷；X2-07-3#樁的三個剖面均在6米至9米之間存在嚴重缺陷。 1） 缺陷的軸向分布
用下面兩個特征參量來表征：
異常程度值為1、2、3的最大連續(xù)測點深度H_I：分別對所有剖面異常程度值為1、1至2、1至3的測點進行統(tǒng)計，得到最大連續(xù)測點深度，從而得到三個特征參量：H₁、H₂、H₃。

4.2 訓練與預測

對基地的10根模型樁及實際工程中篩選出的不同類別的163根樁進行特征參量提取，最后得到參量文件Grade.txt，包含189組樣本數(shù)據(jù)。手動編輯特征參量文件，對173根樁的樁身完整性類別進行人工識別，然后將識別結(jié)果（1、2、3、4分別對應Ⅰ類、Ⅱ類、Ⅲ類、Ⅳ類）加到每組數(shù)據(jù)的最前面。得到用于訓練及預測的特征參量文件Grade.txt。
    將樣本數(shù)據(jù)中不同數(shù)量的數(shù)據(jù)提取出來作為訓練和預測數(shù)據(jù)，利用不同的尋找最優(yōu)參數(shù)的方法，得到最優(yōu)懲罰因子及核函數(shù)的γ值，然后分別使用多項式核函數(shù)、徑向基核函數(shù)進行訓練與預測，得到不同的訓練與預測結(jié)果，詳見表3。