本发明涉及一种基于机器学习的混凝土内钢筋埋深及直径测量方法,属于磁测量领域。
背景技术:
1、机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心,是使计算机具有智能的根本途径。
2、钢筋混凝土结构广泛应用于各类建筑设施及电力基础设施,其内部钢筋的直径和埋深对钢筋的状况对钢筋混凝土的耐久性有重大影响,钢筋的直径和埋深不符合规范会严重威胁到钢筋混凝土的抗压及抗冲击等方面的性能,给建筑带来巨大危害。因此,准确测量混凝土内部钢筋的直径和埋深能有效对钢筋混凝土进行状态评估,保障工程安全稳定的运行。对钢筋埋深及直径进行测量,现阶段检测方法包括探地雷达法、红外检测法、射线检测以及电磁感应测量法。电磁感应测量虽然探测深度相对较小,但设备轻便、价格便宜,被广泛使用,但只有钢筋分布比较稀疏并且位于混凝土近表面时,才能得到不错的测量结果。
技术实现思路
1、为了解决上述问题,本发明目的在于提出一种基于机器学习的混凝土内钢筋埋深及直径测量方法,利用机器学习弥补钢筋混凝土电磁感应检测法应用范围局限的不足。
2、为了实现上述目的,本发明提出了如下技术方案:一种基于机器学习的混凝土内钢筋直径和埋深测量方法,包括如下步骤:
3、s1:钢筋磁化磁场的计算
4、钢筋作为铁磁性物质,在外磁场作用下内部磁轴将会有序排列激发二次磁场,二次磁场的公式如式(1)所示:
5、
6、式中,b2为二次磁场,μ0为真空磁导率,m为铁磁物质磁极化强度,r为钢筋磁化区域中心到钢筋周围空间中某点的矢径,v'表示钢筋磁化区域体积,s'为钢筋磁化区域闭合表面面积;
7、空间中任意一点处磁感应强度b′由式(2)计算:
8、b′=b1+b2 (2)
9、式中,b1为原磁场的磁感应强度,b2为二次磁场的磁感应强度;
10、s2:混凝土表面磁场的测量
11、建立混凝土表面磁场测量模块,所述混凝土表面磁场测量模块内包括霍尔元件测量,通过霍尔元件测量混凝土中不同直径和埋深磁场数据,获取不同直径和埋深下混凝土表面磁感应强度,钢筋混凝土表面磁感应强度和其对应的钢筋直径的测量值和埋深的测量值作为一个训练样本;
12、s3:建立混凝土内钢筋直径和埋深测量模块
13、采用bp神经网络作为混凝土内钢筋直径和埋深测量模块,将每个训练样本中钢筋混凝土表面磁感应强度作为输入,输出即为钢筋混凝土表面磁感应强度对应的钢筋直径的预测值和埋深的预测值;
14、计算该训练样本钢筋直径的预测值与该训练样本中钢筋直径的测量值之间以及该训练样本埋深的预测值与该训练样本中埋深的测量值之间的损失,并根据该损失,采用梯度下降发对bp神经网络的参数进行更新,直至损失不再变化即的训练好的bp神经网络;
15、s4:预测
16、采用s2中混凝土表面磁场测量模块获取未知钢筋直径和埋深的混凝土表面的磁感应强度,并将该磁感应强度输入训练好的bp神经网络中,输出即是该混凝土中钢筋直径的的预测值和埋深的预测值。
17、作为优选,所述s2中训练样本构建方法如下:
18、将永磁体设置在混凝土的上方或下方,永磁体与混凝土上表面或下表面的间距10-20mm,磁检测阵列由编号1~n的n个传感器组成,1~n号传感器在空间上间隔α角度,1~n号传感器位置保持对称,磁检测阵列在同一时间采集n个位置的磁感应强度xi,然后将同一时间采集的xi,i=1,2,3,4...n和该时间检测的钢筋直径的值和埋深的值作为一个训练样本,采用相同方法,选择多个时间点,则得到多个训练样本。
19、作为优选,所述s3训练bp神经网络得出磁感应强度与钢筋直径和埋深对应关系如式(3)所示:
20、
21、式中,i=1,2,3,4...n,n表示传感器的数量,d、l分别表示钢筋直径和埋深,a0~ak与a0’~ak’为各次项系数
22、本发明相对于现有技术,至少具有如下优点:
23、先利用霍尔传感器获取不同直径和埋深下混凝土表面磁场强度作为机器学习钢筋直径和埋深测量模块的训练样本,对构建的混凝土内钢筋直径和埋深测量模块进行训练,然后将未知钢筋直径和埋深的混凝土表面的磁感应强度输入训练好的混凝土内钢筋直径和埋深测量模块中,即得该混凝土中钢筋直径和埋深数据。这种方法相比于传统的电磁测量方法应用范围更广,并且可随着应用场景的增加累计数据量,使得机器学习网络愈发完善,测量准确度和测量范围都会增大。
24、另外,本发明方法通过建立混凝土表面磁感应强度与对应的钢筋的直径和埋深的关系网络,相较于传统的电磁感应检测方法采用了性能更为优越的内部算法,不受探测深度和钢筋分布稀疏与否的影响,
1.一种基于机器学习的混凝土内钢筋直径和埋深测量方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于机器学习的混凝土内钢筋直径和埋深测量方法,其特征在于:所述s2中训练样本构建方法如下:
3.如权利要求2所述的基于机器学习的混凝土内钢筋直径和埋深测量方法,其特征在于:所述s3训练bp神经网络得出磁感应强度与钢筋直径和埋深对应关系如式(3)所示: