一种深基坑混凝土浇筑过程离析检测装置的制作方法

本发明属于混凝土施工，具体而言，涉及一种深基坑混凝土浇筑过程离析检测装置。

背景技术：

1、混凝土作为现代建筑工程中最广泛使用的材料之一，其质量直接关系到建筑物的安全性和耐久性。在深基坑施工过程中，混凝土浇筑质量尤为重要，因为深基坑结构往往承担着关键的承重和防水功能。然而，深基坑混凝土在浇筑过程中由于高度较大，浇筑时间较长容易发生离析现象，即混凝土中的各组分（水泥、细骨料、粗骨料）在重力作用下发生分离，导致混凝土强度不均匀、耐久性降低等问题。

2、目前，深基坑浇筑的混凝土离析检测主要依赖于以下方法：

3、1.目视检查法：工程师通过观察混凝土表面和切割面的骨料分布情况来判断离析程度。这种方法简单直观，但高度依赖于检查者的经验，容易受主观因素影响，且无法实现实时监测。

4、2.取芯法：在混凝土硬化后，从不同位置钻取混凝土芯样，通过分析芯样中的骨料分布来评估离析程度。这种方法虽然准确性较高，但具有破坏性，且只能进行事后检测，无法及时发现和解决浇筑过程中的问题。

5、也就是说，当前的深基坑混凝土浇筑过程的离析检测存在依靠工程人员经验以及难以实时评估的技术问题。

技术实现思路

1、有鉴于此，本发明提供一种深基坑混凝土浇筑过程离析检测装置，能够解决当前的深基坑混凝土浇筑过程的离析检测存在依靠工程人员经验以及难以实时评估的技术问题。

2、本发明是这样实现的：

3、本发明提供一种深基坑混凝土浇筑过程离析检测装置，用于在混凝土浇筑过程中对混凝土的离析情况进行检测，包括管体、监测单元和单片机，所述管体的侧壁上开设有多个圆形通孔，所述多个圆形通孔在所述侧壁上均匀排列成2列或3列，每个圆形通孔内嵌有一个监测单元，所述监测单元包括钢化玻璃片、凹透镜、隔离玻璃片、聚光片以及光纤束，所述聚光片底部开设有圆洞，所述光纤束的一端内嵌在所述圆洞上作为采集端，所述单片机上设置有控制器以及至少为所述监测单元数量的图像采集器；所述光纤束的另一端作为输出端连接在图像采集器上，所述图像采集器用于接收光纤束传输的光信号并转换为电信号,经过模数转换后得到所述监测单元对应监测区域的区域图像并输出给所述控制器；所述聚光片的截面为抛物线形，所述凹透镜的位于所述管体内侧的焦点、所述聚光片的焦点均位于所述采集端表面的几何中心；所述控制器内设置有混凝土浇筑过程离析分析模块，用于根据多个图像采集器采集的区域图像，基于预先训练的离析分析模型计算得到混凝土浇筑过程的离析结果，并通过所述单片机上的无线传输模块传输到上位机。

4、其中，所述管体的外径为3~5cm。

5、进一步的，所述每一列圆形通孔的间距、所述钢化玻璃片的半径、所述凹透镜的形状参数、所述聚光片的形状参数以及光纤束的参数均通过优化方程组进行优化限定，所述优化方程组包括光学成像方程、空间采样方程、信噪比方程、分辨率方程以及深度探测方程。

6、所述光学成像方程考虑光学系统的成像质量，用于优化凹透镜和聚光片的参数；所述空间采样方程考虑图像的空间采样频率，用于优化圆形通孔的间距和钢化玻璃片的半径；所述信噪比方程考虑图像的信噪比，用于优化光纤束的参数；所述分辨率方程考虑图像的空间分辨率，用于综合优化各光学元件的参数；所述深度探测方程考虑混凝土内部的探测深度，用于优化管体的外径和通孔大小。

7、下面是优化方程组的具体描述:

8、1.光学成像方程:

9、；

10、式中，为凹透镜的焦距；为物距；为像距；为透镜材料的折射率；为透镜中心厚度；,为透镜两表面的曲率半径;

11、聚光片的形状参数优化:

12、；

13、式中，为焦参数；,为抛物线上的点坐标;

14、2.空间采样方程:

15、；

16、式中，为最小可分辨距离；为光的波长；为系统焦距；为数值孔径;

17、3.信噪比方程:

18、；

19、式中，为信号功率；为噪声功率

20、光纤束传输损耗:

21、；

22、式中，为输出功率；为输入功率；为衰减系数；为光纤长度;

23、4.分辨率方程:

24、；

25、式中，为系统分辨率；为光的波长；为系统焦距；为有效孔径直径;

26、5.深度探测方程:

27、；

28、式中，为最大探测深度；为光速；为脉冲宽度；为混凝土相对介电常数;

29、管体外径与通孔大小的关系:

30、；

31、式中，为通孔面积；为填充系数 (0 < k < 1)；为管体外半径。

32、进一步的，所述通过优化方程组进行优化限定的具体步骤包括：

33、建立目标函数,将各方程加权求和;

34、设定各参数的初始值和约束条件;

35、采用粒子群算法进行迭代优化;

36、当迭代次数达到预设值或目标函数收敛时,输出优化结果。

37、进一步的，所述混凝土浇筑过程离析分析模块具体执行以下步骤：

38、获取每个图像采集器采集的区域图像；

39、对所述区域图像进行包括去噪、增强、校正的预处理，得到预处理图像；

40、采用图像配准和融合的方法将全部预处理图像拼接，得到拼接图像；

41、将所述拼接图像输入到预先训练好的离析分析模型，得到混凝土浇筑过程的离析向量；

42、根据所述离析向量与预设的离析标准向量计算相似度，若相似度大于预设的相似度阈值，则说明当前混凝土的离析较大；若相似度于小于预设的相似度阈值，则说明当前混凝土的离析较小；并将所述相似度作为离析结果。

43、其中，所述预设的标准离析向量的获取步骤，具体包括:

44、步骤1、制备多组不同程度离析的混凝土试件：

45、a)设计多种不同水灰比、骨料级配的混凝土配合比。

46、b)对每种配合比，采用不同的振动时间和振动频率制备试件，以获得不同程度的离析。

47、c)每种条件制备至少3个平行试件，以确保数据的可靠性。

48、步骤2、使用本装置对试件进行图像采集：

49、a)将试件切割，暴露新鲜断面。

50、b)使用本装置在试件的不同位置和深度进行图像采集。

51、c)每个试件采集至少9个不同位置的图像，以保证数据的代表性。

52、步骤3、通过实验的方式标注各试件的离析程度：

53、a)水泥分布均匀度：使用x射线荧光分析(xrf)测量不同位置的水泥含量，计算变异系数。

54、b)粗骨料分布均匀度：使用图像分析软件计算不同区域粗骨料的体积分数，计算变异系数。

55、c)细骨料分布均匀度：使用激光粒度分析仪测量不同位置的细骨料粒径分布，计算分布曲线的相似度。

56、d)孔隙率：使用压汞法测量试件不同位置的孔隙率。

57、e)界面过渡区厚度：使用扫描电子显微镜(sem)观察并测量多个位置的界面过渡区厚度。

58、步骤4、数据处理和标准化：

59、a)对每个试件的各项指标取平均值。

60、b)将每个指标归一化到[0, 1]区间，其中0表示完全不离析，1表示严重离析。

61、步骤5、构建标准离析向量数据集：

62、a)将每个试件的5个归一化指标组成一个向量。

63、b)汇总所有试件的向量，形成标准离析向量数据集。

64、步骤6、数据分析和验证：

65、a)使用主成分分析(pca)方法分析数据集，确定主要影响因素。

66、b)进行交叉验证，评估数据集的可靠性和代表性。

67、步骤7、建立离析程度分级标准：

68、a)基于数据分布，将离析程度分为多个等级（如轻微、中等、严重等）。

69、b)对每个等级确定一个代表性的标准离析向量。

70、步骤8、专家评审和修正：

71、a)邀请混凝土材料领域的专家对分级标准进行评审。

72、b)根据专家意见对标准进行必要的修正和完善。

73、步骤9、最终确定标准离析向量：

74、a)综合考虑数据分析结果和专家意见，最终确定每个离析等级的标准离析向量。

75、b)将这些标准离析向量作为后续离析分析的参考基准。

76、进一步的，所述离析向量具体是[水泥分布均匀度,粗骨料分布均匀度,细骨料分布均匀度,孔隙率,界面过渡区厚度]。

77、进一步的，所述离析分析模型，采用多分支深度学习结构，具体包括水泥分支网络、粗骨料分支网络、细骨料分支网络、孔隙分支网络、界面分支网络以及融合网络。

78、进一步的，所述水泥分支网络用于提取水泥相关特征，输入是预处理后的灰度图像，输出是水泥分布特征图，结构是u-net卷积神经网络；

79、所述粗骨料分支网络用于提取粗骨料相关特征，输入是预处理后的彩色图像，输出是粗骨料分布特征图，结构是resnet卷积神经网络；

80、所述细骨料分支网络用于提取细骨料相关特征，输入是预处理后的彩色图像，输出是细骨料分布特征图，结构是densenet卷积神经网络；

81、所述孔隙分支网络用于提取孔隙相关特征，输入是预处理后的二值图像，输出是孔隙分布特征图，结构是fcn全卷积网络；

82、所述界面分支网络用于提取骨料与水泥浆界面特征，输入是预处理后的边缘增强图像，输出是界面分布特征图，结构是segnet分割网络；

83、所述融合网络用于综合各分支网络的输出特征，输入是各分支网络的输出特征图，输出是最终的离析特征向量，结构是多层感知机。

84、所述离析分析模型的训练步骤，包括构建训练数据集和训练模型；其中，构建训练数据集，具体是：

85、a)样本采集：

86、制备不同配比、不同离析程度的混凝土试件，至少100组；

87、使用本装置对每个试件进行多角度、多深度的图像采集；

88、每个试件采集至少20张图像，确保数据的多样性；

89、b)数据标注：

90、对采集的图像进行人工标注，标注内容包括：水泥分布区域；粗骨料位置和大小；细骨料分布区域；孔隙位置和大小；骨料与水泥浆界面；并使用专业图像标注软件（如labelme）进行标注工作；

91、c)数据增强：

92、对原始图像进行旋转、缩放、翻转等操作，扩充数据集；

93、调整图像亮度、对比度，模拟不同光照条件；

94、添加随机噪声，提高模型鲁棒性；

95、d)数据预处理：

96、图像归一化：将像素值缩放到[0, 1]区间；

97、图像分割：将大尺寸图像分割成固定大小的patch（如256x256像素）；

98、数据格式转换：将图像和标注数据转换为模型所需的格式（如tfrecord或hdf5）；

99、e)数据集划分：将数据集按7:2:1的比例随机划分为训练集、验证集和测试集；确保每个集合中包含不同离析程度的样本；

100、f)标准化离析向量：

101、对每个样本，根据标注信息计算标准化的离析向量；

102、离析向量包括：水泥分布均匀度、粗骨料分布均匀度、细骨料分布均匀度、孔隙率、界面过渡区厚度；

103、g)数据质量控制：进行交叉验证，剔除异常样本；由混凝土专家对部分样本进行复核，确保标注质量；

104、其中，训练模型，具体是：

105、a)模型架构设计：根据之前描述的多分支深度学习结构，实现各个分支网络；使用pytorch或tensorflow等深度学习框架构建模型；

106、b)损失函数设计：

107、为每个分支网络设计适当的损失函数：

108、水泥分支：使用交叉熵损失；

109、粗骨料分支：使用focal loss；

110、细骨料分支：使用dice loss；

111、孔隙分支：使用加权二元交叉熵；

112、界面分支：使用边缘感知损失；

113、融合网络：使用均方误差损失；

114、总损失函数为各分支损失的加权和；

115、c)优化器选择：使用adam优化器，初始学习率设为0.001；实现学习率衰减策略，如余弦退火；

116、d)模型初始化：对卷积层使用he初始化；对批归一化层使用均值为1，方差为0.02的正态分布初始化；

117、e)训练过程：设置批次大小为32，训练轮数为100；实现早停策略，当验证集损失连续5轮不下降时停止训练；使用混合精度训练，提高训练速度；实现梯度裁剪，防止梯度爆炸；

118、f)模型微调：冻结主干网络，只训练最后几层；逐步解冻，进行微调；

119、g)正则化技术：使用l2正则化，权重衰减系数设为0.0001；在全连接层使用dropout，比率为0.5；

120、h)模型评估：在验证集上计算平均绝对误差(mae)和均方根误差(rmse)；绘制预测值与真实值的散点图，计算相关系数；

121、i)模型解释：使用grad-cam等技术可视化模型关注的区域；分析不同特征对最终预测的贡献度；

122、j)模型集成：训练多个模型，使用不同的初始化和数据增强策略；采用软投票或平均法集成多个模型的预测结果；

123、k)选择最优模型作为训练结果。

124、其中，所述管体为不锈钢材料制成；所述管体的底端还设置有锥形结构。

125、方便进行将管体插入或拔除浇筑的混凝土。

126、进一步的，所述预设的相似度阈值为0.85。

127、这个阈值的选择基于以下考虑：

128、1.工程实践：在混凝土工程中，通常允许有一定程度的误差和变异。85%的相似度意味着预测结果与标准离析向量有较高的一致性，同时也留有一定的容忍空间。

129、2.模型性能：考虑到实际环境中可能存在的噪声和干扰，要求模型达到 100% 的相似度是不现实的。85%的阈值既能保证较高的准确性，又不会过分苛刻。

130、3.灵敏度与特异性平衡：85%的阈值能够在降低假阳性（误判为严重离析）和假阴性（漏判轻微离析）之间取得较好的平衡。

131、4.可调整性：将阈值设为 0.85 还允许在实际应用中根据具体情况进行微调。例如，对于特别重要的工程，可以将阈值略微提高到 0.90；而对于一般性工程，可以稍微降低到 0.80。

132、5.分级判断：可以基于这个阈值建立多级判断标准，例如：

133、- 相似度 ≥ 0.85：混凝土离析程度较小，质量良好

134、- 0.70 ≤ 相似度 < 0.85：混凝土可能存在轻微离析，需要关注

135、- 相似度 < 0.70：混凝土可能存在严重离析，需要采取措施

136、因此，我们可以将判断条件修改如下：

137、如果相似度 ≥ 0.85（预设的相似度阈值），则说明当前混凝土的离析程度较小；

138、如果相似度 < 0.85（预设的相似度阈值），则说明当前混凝土可能存在离析问题，需要进一步检查和处理。

139、需要注意的是，这个阈值应该在实际应用中通过大量实验数据和现场验证来进行微调和优化。在模型的初始部署阶段，可以收集反馈并持续调整这个阈值，以达到最佳的判断效果。

140、与现有技术相比较，本发明提供的一种深基坑混凝土浇筑过程离析检测装置的有益效果是：

141、1.实时监测能力：本装置采用光学成像和光纤传输技术，能够在混凝土浇筑过程中持续采集图像数据。结合高速图像处理和深度学习算法，实现了对离析情况的实时分析和评估。这一特性使得施工人员能够及时发现和处理离析问题，大大提高了质量控制的效率和效果。

142、2.高精度检测：通过优化的光学系统设计和多参数综合分析，本装置能够捕捉混凝土微观结构的细微变化。相比传统的目视检查和简单仪器检测，本装置提供的离析评估结果更加准确和客观，显著减少了人为误差。

143、3.全面监测范围：本装置采用多个监测单元均匀分布的设计，可以同时监测混凝土结构的不同深度和位置。这种全方位的监测能力克服了现有技术中监测范围局限的问题，为全面评估整个深基坑混凝土结构的离析情况提供了可能。

144、4.智能化数据分析：本装置集成了基于深度学习的离析分析模型，能够自动识别和量化水泥分布均匀度、骨料分布均匀度、孔隙率和界面过渡区厚度等多个关键参数。这种智能化的数据分析方法不仅提供了更加全面和精确的离析评估结果，还大大减少了人工分析的工作量。

145、综上所述，本发明的装置解决了当前的深基坑混凝土浇筑过程的离析检测存在依靠工程人员经验以及难以实时评估的技术问题。