建筑物地基二次沉降變形位移智能檢測仿真

熊黎黎,賈 璐

(1. 南昌航空大學土木建筑學院,江西 南昌 330069;2. 南昌大學建筑工程學院,江西 南昌 330031)

1 引言

工人在建筑樓房時,地基的穩固是必不可少的一部分,但露天開采會破壞地基地表平衡,導致地基邊緣位置穩定性差,極易出現建筑坍塌、建筑質量低、穩固性差的問題,這種現象對工作人員及設備都會產生安全影響。而我國地質結構復雜、地形地貌起伏較大,南方地區容易出現地質災害,導致建筑地基出現二次變形的現象[1-2],地基巖土邊坡的失穩或滑動給工程建設及人民生命財產帶來嚴重損失。為了保證人民群眾的生命安全,需要對建筑地基二次形變檢測方法展開研究,從而避免地質災害造成的危害。

王軍飛等人[3]提出地基合成孔徑雷達的邊坡形變監測應用研究方法,利用粗差探測技術對PS點解纏處理,通過對邊坡的監測數據,取得PS點在監測期間的時間序列形變,以此實現地基二次形變檢測,該方法的確立結果存有誤差,存在檢測效果差的問題。宋強等人[4]提出基于匹配點變形估計的布標缺陷檢測算法,通過獲取的地基形變圖像,利用光流法計算出圖像與待檢測圖像之間的匹配點運動適量,通過逆變換去除待檢測圖像的受力形變,從而實現二次形變檢測,該方法獲取的圖像不完善,存在檢測精度低的問題。劉俊博等人[5]提出基于激光點云的鐵路邊坡表面形變檢測方法,通過檢測雷達裝置與三維點云數據采集系統,獲得鐵路周邊環境的三維點云。與鐵路場景先驗知識配準算法相結合,通過獲取基準點云數據,計算出地基邊坡表面變化量,實現形變檢測。該方法的處理結果不妥當,存在檢測可行性低的問題。

為了解決上述方法中存在的問題,提出基于神經網絡的建筑地基二次形變檢測方法。通過采集與處理建筑地基二次形變數據,獲得二次形變差異圖,利用NSCT方法融合差異圖像,并提取其特征向量,通過BP神經網絡實現建筑地基二次形變檢測。

2 數據采集及處理

2.1 數據采集

由于建筑地形內部結構復雜,為此以激光雷達、慣性測量單元、GPS地形掃描系統作為采集設備[6]。根據選取的采集設備,分別對激光雷達、慣性測量單元及GPS接收機的基準時鐘表述:

T=ts=tc=tg

(1)

式中,T表述基準時鐘,ts表述激光雷達時間參量,tc記作慣性測量單位時間參量,tg表述GPS時間參量。

根據設定結果,選取1個控制器調節采集系統的多線程運行模式,從而確保數據采集有效性。分別設置各個采集設備、采集目標,利用下式表述激光雷達的采集目標,定義如下:

s={t,sx,sy,sz}

(2)

式中,s表述采集的地基數據目標,t表述采集時間,sx、sy、sz均表述x、y、z三個軸向的地形地基位置信息。

慣性測量單元采集的地基數據目標定義:

c={t,cy,ce,ch}

(3)

式中,c表述采集的目標數據,cy表述仰角信息,ce表述側角信息、ch均表述航向信息。

GPS的建筑地基采集數據即可定義為:

g={t,gj,gw,gc}

(4)

式中,g表述GPS采集數據,gj表述地基經度信息,gw表述緯度信息,gc表述高程信息。

選取的地形掃描裝置設備的實際輸出值會影響建筑地基形變數據采集效果,為確保數據采集可靠性,需要利用控制系統改進采集設備,因而設立的控制邏輯表示如下:

K=(Ti,Pis,Pic,Pig)

(5)

式中,K表述多線程控制指令,Ti表述參量設置,Pis表述激光雷達采樣效率,Pic表述慣性測量單元采樣效率,Pig表述GPS接收機采樣效率。

通過單一指令控制采集設備對建筑地形形變數據的不同單元采集,以此避免滯后影響。

針對以上設置的控制邏輯,對采集的地基形變數據波動情況分析,為此綜合激光雷達、慣性測量單位、GPS數據信息采集后的波動情況,利用下式計算表示:

(6)

式中,ε表述波動強度,st、st-1表述相鄰采集時刻所采集的數據,ct、ct-1表述相鄰時刻慣性測量單元采集結果,gt、gt-1表述相鄰時刻GPS采集的數據,T表述基準時刻。

從方程(6)可以看出,當ε的取值越高時,說明所采集的建筑地基二次形變數據波動強,證明該地形采集結果復雜;反之說明形變穩定。

將上述過程作為基礎,設定數據采集過程中的參數,定義如下:Ki/ε≤d。式中,Ki表述目標指令,d表述地基形變采集數據精度。

根據設定結果,從而實現建筑地基二次形變數據采集。

2.2 變差異圖獲取

基于采集的建筑地基數據,采用數字成像技術對采集的數據處理,獲取建筑地基二次形變差異圖?？紤]到圖像像素點周圍特征,利用均值對數比表述獲取的差異圖,定義如下:

(7)

式中,(i,j)表述像素點,Xd表述差異圖,m1(i,j)表述X1圖像位于像素點的均值,m2(i,j)表述X2圖像的均值。

由于圖像之間的相干系數會對圖像的相似度產生影響,所以采用相干系數獲取成像處理后變化區域較明顯、背景信息較平滑,因而兩個圖像的相干系數定義如下:

(8)

式中,*表述共軛復數,Xm(i,j)表述相關系數取值。

2.3 差異圖處理

由于獲取的差異圖中子帶圖像與原始圖像內部細節一致,所以根據NSCT的特點及優勢,采用NSCT處理獲取的差異圖[7-8],達到去噪目的后融合差異圖像[9],有利于更好的捕捉圖像細節,便于檢測出建筑地基二次形變。

采用拉普斯金字塔濾波器、方向組濾波器作為濾波設備,分別對差異圖Xd、Xm采取NSCT變換,取得兩種差異圖像之間的低頻系數,即Ld、Lm,高頻系數Hd、Hm,從獲取的系數中反映出高低頻圖像信息。

為了使圖像的二次形變區域更加明顯,采用加權平均法進一步處理圖像低頻系數,令圖像與系數融合,那么低頻系數計算如下:

Lf=αLm+(1-α)+Ld

(9)

式中,Lf表述融合后的低頻系數,α表述加權平均融合系數。

經上述融合處理后,采用NSCT方法對Lf與差異圖Xd、Xm反變換,從中取得融合后的差異圖像Fd、Fm。采用局部能量法對背景圖像噪聲數據抑制,最終融合后的差異圖像定義如下:

(10)

式中,Ed(i,j)表述差異圖Fd的局部能量,Em(i,j)表述Fm的局部能量,Li,j表述像素中心,F(m,d)(q)表述第q個像素值,Fh表述合成后的差異圖。

2.4 差異圖特征提取

通過對差異圖像的濾波處理及融合,取得建筑地基二次形變融合差異圖。采用PCA方法提取融合差異圖像的二次形變特征[10-11],根據分塊思想劃分融合差異圖,成為n個3×3的相鄰小塊,同時不具備重疊性。為此將各個小塊看成矩陣,對其轉換成列向量,利用下式計算出全部小塊均值向量。

(11)

式中,Pt表述列向量,m表述均值向量,t表述分塊數量。

重構所有列向量,將其重構為尺寸大小為32×n的矩陣,定義為S,因而利用下式計算S的協方差矩陣,表示如下:

(12)

式中,T表述矩陣轉置。

由于協方差矩陣C的尺寸為32×32,對其特征分解后獲取特征值、特征向量,從中挑選出相應特征向量后構成正交基。因而向量構成的矩陣由A,該矩陣A的大小尺寸在32×r。

依據融合后的差異圖Fh,挑選出圖像各個像素的鄰域小塊,對小塊轉換后取得列向量,即Yη,其中η=1,2,…,k,k表述圖像總數量。

將列向量映射到矩陣A中,其定義如下:

Yη=AT(Vη-m)

(13)

式中,Yη表述提取的特征向量,AT表述轉置矩陣。

融合差異圖中的各個像素都可以通過R維特征向量表述,為此根據圖像像素點[Y1,Y2,…,Yk]組建成特征向量空間Q,以此實現建筑地基差異圖形變特征向量的提取。

3 建筑地基二次形變檢測

根據提取的建筑地基差異圖二次形變特征向量,將其輸入到建立的神經網絡中訓練[12-13],從而實現建筑地基二次形變檢測。

結合小波神經網絡思想,改進激勵函數,為此提取出圖像相位信息:

h(x)=cos(5x)·e-x2/2

(14)

式中,h(x)表述相位信息,e表述誤差。

設置網絡輸入數量由R表述,節點輸出由N表述,那么神經網絡中第p個樣本的第n個節點的輸入用下式定義:

(15)

式中,k表述隱含層單元數量,M表述輸入層單元數量,ωn,k表述各個單元之間的連接權值,ak表述伸縮因子,bk表述平移因子,SP(xm)表述輸入信號,fn,p表述輸入期望。

為此輸出層函數通過下式定義:

(16)

式中,fz表述輸出層,e-z表述輸出層函數。

根據設置結果,將形變特征輸入到網絡內訓練從而實現建筑地基二次形變檢測,其具體流程如下所示:

1)對提取的特征樣本數據預處理[14-15],用下式定義:

(17)

2)采用主成分分析法分析提取的特征向量,并確定神經網絡輸入節點。

3)初始化網絡設置相關參數,即學習效率a、動量系數b、迭代誤差e。

4)向網絡中輸入一組學習樣本特征向量,設置輸入節點為輸入向量,并將fn,p輸入其中。

5)根據特征向量在網絡中的自學習流程,基于神經網絡當前參數,進一步計算網絡的實際輸出。當輸出誤差小于e時,則訓練結束。

6)若不滿足上述條件,進一步實施誤差反向傳播,進一步修正神經網絡參數。

7)利用修正后的神經網絡再次訓練形變特征向量,其輸出結果就是最終檢測結果。

基于上述流程,實現基于神經網絡的建筑地基二次形變檢測。

4 實驗與分析

為了驗證基于神經網絡的建筑地基二次形變檢測方法的整體有效性,需要對該方法開展實驗對比測試。

采用基于神經網絡的建筑地基二次形變檢測方法(方法1)、地基合成孔徑雷達的邊坡形變監測應用研究方法(方法2)和基于激光點云的鐵路邊坡表面形變檢測方法(方法3)實施實驗測試。

1)濾波效果

開展建筑地基二次形變檢測前,為保證建筑地基二次形變檢測可靠性,將某城市施工場地建筑地基作為本次實驗場景,詳情如圖1所示。

圖1 建筑地基場景示意圖

采用地基SAR系統工作,并按照每20分鐘采集一張建筑地基黑白圖像,且相鄰的圖像數據采集間隔時間為5分鐘,連續采集5天即可獲取建筑地基序列圖像,有利于檢測建筑地基二次變形。那么設定地基SAR系統工作參數,詳情如表1所示。

表1 地基SAR系統工作參數

由于采集的建筑地基圖像內會因為噪聲影響致使圖像相位點出現不連續的斷點,導致相位解纏失敗,影響建筑地基二次形變檢測效果,所以為了可以獲取高質量圖像,降低殘差點數目,需要對采集的圖像濾波處理,從而達到抑制噪聲的目的。

那么利用方法1、方法2和方法3分別對具有噪聲的建筑地基圖像濾波處理,三種方法的濾波效果測試如圖2所示。

圖2 三種方法的濾波效果測試

從圖2的實驗結果可知,方法1對含噪聲的建筑地基圖像濾波處理后,圖像更能體現出內部細節信息,驗證了該方法的濾波性能強。而方法2、方法3在濾波處理時,處理后圖像內部依然存有較多噪聲,同時方法2的處理結果與原始圖像相同,說明方法2的濾波效果不佳,也因此證明方法2和方法3的濾波效果要低于方法1。

2)形變位移檢測

在上述研究的基礎上,將Visual Studio.NET用作開發平臺,C++用作開發語言,SQL Server作為數據庫平臺,根據連續五天采集的建筑地基圖像數據,結合貝葉斯估計方法,分別利用方法1、方法2和方法3對建筑地基二次形變開展詳細檢測,測試結果如圖3所示。

圖3 建筑地基二次形變檢測測試

分析圖3中的數據發現,選取的采集時間分別為10月11～10月15日,根據檢測結果可知,方法1的位移測試結果與實際位移結果基本一致,且運動軌跡相同,表明方法1的檢測精度最佳。而方法2的在10月11日～10月13日時,運動軌跡與實際結果相同,但兩者之間存有誤差,同時方法2在10月13日～10月14日時運動軌跡發生轉變,偏離實際軌跡,可見方法2的檢測效果不佳。方法3的整體檢測結果與實際軌跡相差大,說明方法3與實際結果偏差高。

綜上所述,方法1的檢測結果明顯優于其余兩種方法,這是因為方法1對獲取的圖像實施濾波處理,以此消除圖像內的噪聲,更有利于捕捉圖像細節,從而提升了該方法的建筑地基二次形變檢測效果,使其具備更高的檢測精度。

5 結束語

建筑地基二次形變導致建筑邊緣位置穩定性差,為有效避免這種問題,提出基于神經網絡的建筑地基二次形變檢測方法。

該方法采集了建筑地基二次形變數據,對采集結果成像處理后,獲取建筑地基二次形變差異圖,通過對圖像的濾波處理及特征向量的提取,將其輸入到建立的BP神經網絡內訓練,其輸出結果就是最終檢測結果。實驗表明所提方法的濾波性能強,且位移檢測結果與實際值基本一致,檢測精度高,該方法在建筑地基二次形變檢測方法中發揮著重要作用。