专利名称：一种锚杆极限承载力的无损检测方法
技术领域：
本发明涉及一种锚杆极限承载力的无损检测方法。
背景技术：
锚杆锚固工程技术是当前岩土工程的一个重要领域，锚固系统因长期处于恶劣的地质环境中，易受侵蚀、自然灾害的影响而出现质量问题，一旦发生事故，将危及人民的生命财产安全，和造成极大的经济损失。我国20世纪60年代以来，在各类工程设计中使用了大量锚杆，70年代后使用了许多锚索，90年代更多地使用了土钉。其总数将以亿万计。这些锚杆、锚索、土钉的先进性、可靠性、经济性是无庸置疑的，但是，在用作永久支护的无数工程中，它们的使用寿命到底有多长？若一旦失效，将成为工程隐患，使工程毁之一旦。因此，遵循锚杆锚固结构系统的特点，开发一种既简便经济、迅速可靠又无损的锚杆承载力检测方法，有助于对于锚固系统进行适时监测和预报，为施工质量控制和工程可靠性检测提供可靠的手段，对避免事故发生，确保人民生命财产安全，具有极其重大的社会、经济意义。
对于锚杆荷载变化进行长期或短期监测，可通过预埋各种类型的测力计(按机械、液压、振动、电气和光弹等原理制作)进行，但这些预埋的测力计因受电磁场干扰大，在潮湿、温差大的环境下灵敏度将大大降低，影响其测试精度。对于未预埋测力计的锚杆检测，目前工程界主要采用现场拉拔实验的方法来测定锚杆静荷载——位移曲线，来确定锚杆的极限承载力，这种方法无疑是既直观，又可靠。但张拉荷载是靠千斤顶的活塞面积和油泵压力换算的，至于锁定后锚固力大小和在长期运行中的变化就无法评价，此外，要测出完整的荷载——位移曲线，不仅费时长，耗资大(目前普通锚杆拉拔检测需要抽去5％的样品做破坏性检测，每根费用平均高达500元，我国仅在矿山井巷工程中锚杆的年用量就长达1700km以上，按锚杆平均间距3米计算，总锚杆用量为56.1万根，按抽检率5％计算，工需抽检2.81万根，按每根锚杆500元计算，仅抽检一项，每年需耗资1402万元以上，按平均每根锚杆检测时间3小时计算，需耗时8.415万小时；目前国家检测标准—抽检率仅5％，因检测面小，也难以代表整个锚固系统中锚杆的实际情况。
总之，目前对于锚杆系统的检测方法还停留在比较传统的方法，无法适应大规模工程建设的要求，所以锚杆极限承载力无损检测的技术的研究一直是交通、市政等工程建设的重大关键技术之一。
发明内容
本发明的目的在于提供一种操作简便、成本低、不损坏锚杆的锚杆极限承载力的检测方法。
本发明的目的是这样实现的其特征在于它是采用结构动测技术获取信息，采用智能信号分析技术对获取的信息进行处理，然后通过已训练好的神经网络智能识别系统进行预测锚杆极限承载力的检测方法。
上述方法包含以下步骤(1)、应力波发生器激发产生声波信号作用于待检测锚杆的顶部；(2)、超声波传感器获取经锚杆底部反射回的声波脉冲动测信号，并将此信号传送给信号接收装置；(3)、信号接收装置将信号传送到微处理机进行小波包分析提取能量特征向量；(4)、处理得到的能量特征向量输入已训练好的神经网络智能识别系统进行预测，以得到锚杆的极限承载力值。
上述的神经网络智能识别系统为BP(Back Propagation)网络系统，其训练步骤如下(1)、建立具有输入层LA、隐层LB、输出层LC层结构的神经网络；(2)、给出由输入层LA到隐层LB、隐层LB到输出层LC对应神经元的初始权值w1、w2和初始阈值b1、b2；(3)给定输入向量p和期望输出t；
(4)计算隐层LB层神经元的激活值a1＝f(∑w1·p+b1)计算输出层LC神经元的激活值a2＝f(∑w2·a1+b2)(5)计算输出层LC神经元输出的误差函数及其梯度E=12Σe2=12Σ(t-a2)2]]>∂E∂w2=-δ2·a1,∂E∂b2=-δ2]]>δ2＝(t-a2)·a2·(1-a2)(6)判断误差函数E是否满足|E|＜ε，ε为要求的最大误差，10-5＜ε＜10-3，如果是，则(7)、判断所有的E是否满足|E|＜ε，ε为要求的最大误差，10-5＜ε＜10-3，如果是，则结束；(8)、如果步骤(6)、(7)为否，则计算输出层LC反传至隐层LB的误差函数梯度∂E∂w1=-δ1·p,∂E∂b1=-δ1]]>δ1＝δ2·w2·a1·(1-a1)(9)修正隐层LB至输出层LC的权值Δw2=α·δ2·a1w2=w2+Δw2]]>式中，α为学习率，在0～1之间取值；修正输出层LC神经元阈值Δb2=α·δ2b2=b2+Δb2]]>修正输入层LA到隐层LB的权值Δw1=β·δ1·pw1=w1+Δw1]]>式中，β为学习率，在0～1之间取值；修正隐层LB神经元阈值
Δb1=β·δ1b1=b1+Δb1]]>转向第(4)步。
本发明所采用的小波包分析为现有的成熟技术。
本发明为锚杆承载力的无损检测提供了一种新的检测方法，克服了现行国家标准(GB50086-2001、GB50007-2002)抗拔试验仅取样5％和10％，因样本量少而缺乏代表性差的问题，可使监测面积达到100％；本发明具有操作简便、成本低、不损坏锚杆、监测面积大(可达100％)、检测速度快(平均5分钟时间)、检测精度高的显著特点，不仅可以运用于正在施工的工程，而且也可以对已经施工完毕的工程实行长期定位监测，这是常用的应力计检测与拉拔检测方法难以比拟的；本发明可广泛应用于自然边坡、道路边坡、建筑边坡、地基基础、危岩治理、滑坡治理、围岩工程、隧道工程、基坑支护、桥梁工程、矿山等工程中的锚杆极限承载力检测。
图1为本发明实施例的检测系统结构组成框图；图2为本发明实施例所采用神经网络训练框图；图3为本发明实施例所采用的神经网络图；图4为本发明实施例的锚杆极限承载力的误差曲线图。
具体实施例方式
参见图1，一种锚杆极限承载力的无损检测方法，其特征在于它是采用结构动测技术获取信息，采用智能信号分析技术对获取的信息进行处理，然后通过已训练好的神经网络智能识别系统进行识别锚杆极限承载力的检测方法。
该方法具体包含以下步骤(1)、应力波发生器激发产生声波信号作用于待检测锚杆的顶部；(2)、超声波传感器获取经锚杆底部反射回的声波动测信号，并将此信号传送给信号接收装置；
(3)、信号接收装置将信号传送到微处理机进行小波包分析提取能量特征向量；(4)、处理得到的能量特征向量输入已训练好的神经网络智能识别系统进行预测，以得到锚杆的极限承载力值。
参见图2，上述神经网络智能识别系统为BP(Back Propagation)网络系统，其训练步骤如下(1)、建立具有输入层LA、隐层LB、输出层LC三层结构的神经网络；(2)、给出由输入层LA到隐层LB、隐层LB到输出层LC对应神经元的初始权值w1、w2和初始阈值b1、b2；(3)给定输入向量p和期望输出t；(4)计算隐层LB层神经元的激活值a1＝f(∑w1·p+b1)计算输出层LC神经元的激活值a2＝f(∑w2·a1+b2)(5)计算输出层LC神经元输出的误差函数及其梯度E=12Σe2=12Σ(t-a2)2]]>∂E∂w2=-δ2·a1,∂E∂b2=-δ2]]>δ2＝(t-a2)·a2·(1-a2)(6)判断误差函数E是否满足|E|＜ε，ε为要求的最大误差，10-5＜ε＜10-3，如果是，则(7)、判断所有的E是否满足|E|＜ε，ε为要求的最大误差，10-5＜ε＜10-3，如果是，则结束；(8)、如果步骤(6)、(7)为否，则计算输出层LC反传至隐层LB的误差函数梯度∂E∂w1=-δ1·p,∂E∂b1=-δ1]]>δ1＝δ2·w2·a1·(1-a1)(9)修正隐层LB至输出层LC的权值
Δw2=α·δ2·a1w1=w2+Δw2]]>式中，α为学习率，在0～1之间取值；修正输出层LC神经元阈值Δb2=α·δ2b2=b2+Δb2]]>修正输入层LA到隐层LB的权值Δw1=β·δ1·pw1=w1+Δw1]]>式中，β为学习率，在0～1之间取值；修正隐层LB神经元阈值Δb1=β·δ1b1=b1+Δb1]]>转向第(4)步。
参见图3，该图描述了一个具有一个隐层的BP网络，图中，p为输入向量，R为输入数，Q为输入矢量(样本)，w1、b1和w2、b2分别为第1层、第2层神经元的权值和阈值，S1、S2分别为第1层、第2层神经元数，a1和a2为输出向量，本例中，R＝5，Q＝5，S1＝3，S2＝1。
将样本集的数据代入BP网络中，采用Levenberg-Marquardt优化算法，经过训练后，网络LA层到LB层各神经元之间的权值如表1所示表1 LA层到LB层神经元之间的权值
LB层到LC层神经元之间的权值为14.255、13.902、17.128。LB层神经元的阈值分别为-0.2355、7.8415、-3.8519。LC层神经元的阈值为13.932。训练时，误差指标为0.02，实际训练步数为234。
经过训练后的BP网络就具有联想功能，可以对工程锚杆极限承载力进行预测，具体步骤如下输入需预测工程锚杆的小应变动测参数；计算LB层各神经元激活值；计算LC层神经元的激活值。
例如有一根锚杆的输入向量为[1.8，50，301，3400，202]，网络的计算输出为25.16，与静载试验结果对比，相对误差为1.8％。
从图4可以看出人工神经网络预测能力与训练样本集的选择有密切关系，样本集愈大，参数覆盖范围愈宽，则预测效果愈好。
权利要求
1.一种锚杆极限承载力的无损检测方法，其特征在于它是采用结构动测技术获取信息，采用智能信号分析技术对获取的信息进行处理，然后通过已训练好的神经网络智能识别系统进行预测锚杆极限承载力的检测方法。
2.如权利要求1所述的锚杆极限承载力的无损检测方法，其特征在于该方法包含以下步骤(1)、应力波发生器激发产生声波信号作用于待检测锚杆的顶部；(2)、超声波传感器获取经锚杆底部反射回的声波脉冲动测信号，并将此信号传送给信号接收装置；(3)、信号接收装置将信号传送到微处理机进行小波包分析提取能量特征向量；(4)、处理得到的能量特征向量输入已训练好的神经网络智能识别系统进行预测，以得到锚杆的极限承载力值。
3.如权利要求1或2所述的锚杆极限承载力的无损检测方法，其特征在于所述的神经网络智能识别系统为BP(Back Propagation)网络系统，其训练步骤如下(1)、建立具有输入层LA、隐层LB、输出层LC三层结构的神经网络；(2)、给出由输入层LA到隐层LB、隐层LB到输出层LC对应神经元的初始权值w1、w2和初始阈值b1、b2；(3)给定输入向量p和期望输出t；(4)计算隐层LB层神经元的激活值a1＝f(∑w1·p+b1)计算输出层LC神经元的激活值a2＝f(∑w2·a1+b2)(5)计算输出层LC神经元输出的误差函数及其梯度E=12Σe2=12Σ(t-a2)2]]>∂E∂w2=-δ2·a1,∂E∂b2=-δ2]]>δ2＝(t-a2)·a2·(1-a2)(6)判断误差函数E是否满足|E|＜ε，ε为要求的最大误差，10-5＜ε＜10-3，如果是，则(7)、判断所有的E是否满足|E|＜ε，ε为要求的最大误差，10-5＜ε＜10-3，如果是，则结束；(8)、如果步骤(6)、(7)为否，则计算输出层LC反传至隐层LB的误差函数梯度∂E∂w1=-δ1·p,∂E∂b1=-δ1]]>δ1＝δ2·w2·a1·(1-a1)(9)修正隐层LB至输出层LC的权值Δw2=α·δ2·a1w2=w2+Δw2]]>式中，α为学习率，在0～1之间取值；修正输出层LC神经元阈值Δb2=α·δ2b2=b2+Δb2]]>修正输入层LA到隐层LB的权值Δw1=β·δ1·pw1=w1+Δw1]]>式中，β为学习率，在0～1之间取值；修正隐层LB神经元阈值Δb1=β·δ1b1=b1+Δb1]]>转向第(4)步。
全文摘要
本发明公开了一种锚杆极限承载力的无损检测方法，其特征在于它是采用结构动测技术获取信息，采用智能信号分析技术对获取的信息进行处理，然后通过已训练好的神经网络智能识别系统进行预测锚杆极限承载力的检测方法。本发明具有操作简便、成本低、不损坏锚杆、监测面积大、检测速度快、检测精度高的显著特点，不仅可以运用于正在施工的工程，而且也可以对已经施工完毕的工程实行长期定位监测。
文档编号G06F17/11GK1793897SQ20051005742
公开日2006年6月28日 申请日期2005年12月9日 优先权日2005年12月9日
发明者张永兴, 陈建功, 吴曙光, 王桂林 申请人:重庆大学