發(fā)布時(shí)間：2019-06-22 12:23

【摘要】：隨著我國(guó)高速公路干線網(wǎng)的不斷完善和發(fā)展,公路隧道的規(guī)模與數(shù)量也在不斷增長(zhǎng)。為了避免隧道開(kāi)挖過(guò)程中及建成后的運(yùn)營(yíng)階段發(fā)生事故而影響到人們生命財(cái)產(chǎn)的安全,需要運(yùn)用合適的物探工具對(duì)隧道襯砌進(jìn)行質(zhì)量檢測(cè)。探地雷達(dá)以其快速、高效、高分辨率及無(wú)損性等優(yōu)點(diǎn)而受到隧道工作者的青睞。對(duì)于襯砌檢測(cè)中出現(xiàn)的襯砌脫空、不密實(shí)體、空洞充水三種典型病害,可歸類于形狀、大小各異的空洞中填充了不同物質(zhì)。本文通過(guò)使用探地雷達(dá)對(duì)物理模型進(jìn)行探測(cè)獲取試驗(yàn)數(shù)據(jù),研究、建立空洞不同填充物質(zhì)的分類識(shí)別方法,進(jìn)而將此方法運(yùn)用于隧道襯砌檢測(cè)的病害分類識(shí)別中,主要研究?jī)?nèi)容如下:(1)通過(guò)物理模型試驗(yàn)分別獲取空洞填充干沙、碎石、泥漿、水等物質(zhì)相應(yīng)的初始雷達(dá)數(shù)據(jù),并運(yùn)用本文總結(jié)的探地雷達(dá)數(shù)據(jù)預(yù)處理流程對(duì)其進(jìn)行處理;從而進(jìn)一步總結(jié)分析隧道襯砌檢測(cè)中常見(jiàn)的襯砌脫空、不密實(shí)體、空洞積水三種病害典型雷達(dá)圖像。(2)介紹了探地雷達(dá)振幅、頻譜、相干性三種屬性提取技術(shù),結(jié)合雷達(dá)屬性的物理意義,選取均方根振幅、平均波峰振幅、時(shí)域平均能量、相似系數(shù)及-3dB帶寬平均相位五種雷達(dá)屬性作為探地雷達(dá)目標(biāo)分類識(shí)別的特征參數(shù)。(3)通過(guò)建立空洞不同填充物的高斯過(guò)程機(jī)器學(xué)習(xí)二元分類(GPC)模型,以均方根振幅、平均波峰振幅、時(shí)域平均能量、相似系數(shù)及-3dB帶寬平均相位五種雷達(dá)屬性作為矢量輸入,成功識(shí)別出物理模型各空洞中分別填充空氣、碎石、泥漿和水時(shí)四種物質(zhì),并給出相應(yīng)預(yù)測(cè)概率。(4)將經(jīng)物理模型試驗(yàn)驗(yàn)證后的GPC預(yù)測(cè)模型運(yùn)用到岑溪大隧道襯砌檢測(cè)實(shí)際工程中,成功對(duì)脫空、不密實(shí)體、空洞充水三種襯砌病害進(jìn)行分類識(shí)別。說(shuō)明本文所提出的探地雷達(dá)隧道襯砌檢測(cè)高斯預(yù)測(cè)模型是可行的,有很好的應(yīng)用前景。
[Abstract]:With the continuous improvement and development of highway trunk network in China, the scale and number of highway tunnels are also increasing. In order to avoid accidents in the process of tunnel excavation and after completion and affect the safety of people's lives and property, it is necessary to use appropriate geophysical tools to detect the quality of tunnel lining. Ground penetrating radar (GPR) is favored by tunnel workers because of its advantages of fast, high efficiency, high resolution and no damage. For the three typical diseases of lining emptiness, indense solid and empty water filling in lining detection, they can be classified into voids of different sizes and shapes and filled with different substances. In this paper, the experimental data are obtained by using ground penetrating radar (GPR) to detect the physical model, and the classification and identification method of different filling materials of voids is established, and then this method is applied to the disease classification and identification of tunnel lining. The main research contents are as follows: (1) the initial radar data of dry sand, gravel, mud, water and other substances filled with voids are obtained respectively through the physical model test. The data preprocessing process of ground penetrating radar (GPR) summarized in this paper is used to process GPR data. In order to further summarize and analyze the typical radar images of three kinds of diseases such as empty lining, undense entity and empty water in tunnel lining detection. (2) three attribute extraction techniques of GPR amplitude, spectrum and coherence are introduced. combined with the physical meaning of radar attribute, root mean square amplitude, average wave peak amplitude and time domain average energy are selected. Five radar attributes of similarity coefficient and average phase of-3dB bandwidth are used as characteristic parameters of target classification and recognition of ground penetrating radar (GPR). (3) five radar attributes, root mean square amplitude, average peak amplitude, average energy in time domain, similarity coefficient and average phase of-3dB bandwidth, are used as vector inputs by establishing machine learning binary classification (GPC) model for different fillers of voids. The four substances filled with air, gravel, mud and water in each cavity of the physical model are successfully identified, and the corresponding prediction probabilities are given. (4) the GPC prediction model verified by the physical model test is applied to the actual lining detection project of Cengxi tunnel, and the three lining diseases of emptiness, indense entity and empty water filling are successfully classified and identified. It is shown that the Gaussian prediction model for GPR tunnel lining detection proposed in this paper is feasible and has a good application prospect.
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U455.91

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 洪旭程;李秀榮;;隧道襯砌檢測(cè)中探地雷達(dá)圖像的自動(dòng)識(shí)別[J];工程地球物理學(xué)報(bào);2015年06期

2 楊艷青;高永濤;賀少輝;齊法琳;;隧道襯砌背后積水地質(zhì)雷達(dá)檢測(cè)模型試驗(yàn)研究[J];中國(guó)鐵道科學(xué);2014年06期

3 劉東坤;巨能攀;霍宇翔;;地質(zhì)雷達(dá)在不同介質(zhì)填充下的頻譜差異分析[J];現(xiàn)代隧道技術(shù);2013年05期

4 周輝林;姜玉玲;徐立紅;梁國(guó)卿;;基于SVM的高速公路路基病害自動(dòng)檢測(cè)算法[J];中國(guó)公路學(xué)報(bào);2013年02期

5 楊艷青;賀少輝;齊法琳;劉建瑞;江波;;鐵路隧道復(fù)合式襯砌地質(zhì)雷達(dá)檢測(cè)模擬試驗(yàn)研究[J];巖土工程學(xué)報(bào);2012年06期

6 周斌;趙峰;江劍;劉偉;;探地雷達(dá)在隧道襯砌缺陷檢測(cè)中的應(yīng)用[J];鐵道工程學(xué)報(bào);2012年05期

7 張研;蘇國(guó)韶;燕柳斌;;基于高斯過(guò)程機(jī)器學(xué)習(xí)方法的隧道圍巖分類模型[J];現(xiàn)代隧道技術(shù);2011年06期

8 張研;蘇國(guó)韶;燕柳斌;;基于高斯過(guò)程機(jī)器學(xué)習(xí)的巖爆等級(jí)識(shí)別方法[J];地下空間與工程學(xué)報(bào);2011年02期

9 徐沖;劉保國(guó);劉開(kāi)云;郭佳奇;;基于組合核函數(shù)的高斯過(guò)程邊坡角智能設(shè)計(jì)[J];巖土力學(xué);2010年03期

10 倪章勇;李海;;地質(zhì)雷達(dá)解釋隧道襯砌空洞大小的定量研究[J];鐵道勘察;2010年01期

相關(guān)會(huì)議論文 前1條

1 謝雄耀;覃暉;;探地雷達(dá)探測(cè)隧道襯砌鋼筋的神經(jīng)網(wǎng)絡(luò)識(shí)別方法[A];2010年全國(guó)工程地質(zhì)學(xué)術(shù)年會(huì)暨“工程地質(zhì)與海西建設(shè)”學(xué)術(shù)大會(huì)論文集[C];2010年

相關(guān)博士學(xué)位論文 前2條

1 趙文軻;探地雷達(dá)屬性技術(shù)及其在考古調(diào)查中的應(yīng)用研究[D];浙江大學(xué);2013年

2 劉敦文;地下巖體工程災(zāi)害隱患雷達(dá)探測(cè)與控制研究[D];中南大學(xué);2001年

相關(guān)碩士學(xué)位論文 前10條

1 李政;探地雷達(dá)在公路隧道中的應(yīng)用研究[D];廣西大學(xué);2014年

2 秦存昌;隧道病害的探地雷達(dá)圖像檢測(cè)方法研究[D];南昌大學(xué);2014年

3 項(xiàng)雷;公路隧道檢測(cè)中探地雷達(dá)圖像自動(dòng)解釋算法研究[D];南昌大學(xué);2013年

4 胡本清;GPR在巖溶區(qū)隧道地質(zhì)災(zāi)害中的應(yīng)用研究[D];華東交通大學(xué);2012年

5 魏三喜;基于高斯過(guò)程的分類算法及其應(yīng)用研究[D];華南理工大學(xué);2012年

6 陳家博;公路隧道不良地質(zhì)體探地雷達(dá)圖像解譯分析[D];湘潭大學(xué);2012年

7 江凱;探地雷達(dá)在路基檢測(cè)中的應(yīng)用研究[D];西南交通大學(xué);2011年

8 秦承彬;探地雷達(dá)在隧道超前地質(zhì)預(yù)報(bào)與襯砌檢測(cè)中的應(yīng)用研究[D];西南交通大學(xué);2011年

9 楊曉晶;基于EMD和高斯過(guò)程回歸組合模型的短期電力負(fù)荷預(yù)測(cè)方法研究[D];昆明理工大學(xué);2010年

10 胡玉理;探地雷達(dá)地下目標(biāo)特征提取與識(shí)別[D];國(guó)防科學(xué)技術(shù)大學(xué);2009年

，

本文編號(hào)：2504578