目前针对钢筋混凝土结构的检测主要分两部分:混凝土部分检测, 如回弹法检测混凝土强度^[1];混凝土内部钢筋质量检测。混凝土内部钢筋检测主要包括检测钢筋直径和混凝土保护层厚度。

由于钢筋位于结构内部, 无法直接对其进行测量, 因此检测难度较大。工程中常见的破墙检测往往会对混凝土墙体造成较大损伤, 所以有必要将无损检测技术引入到混凝土内部钢筋检测中。目前最常见的无损检测法包括电磁检测法、超声波法、射线法等^[2]。

受制于装置本身设计不足及后期识别算法选择不当等问题, 市面上的钢筋检测装置目前仅能在已知钢筋直径的情况下推算保护层厚度^[3,4]。但在实际应用中钢筋直径往往未知, 因此该方案检测准确度不高, 易造成误判以致检测结果参考价值不高。钢筋直径作为衡量钢筋质量的重要指标, 同样对建筑质量起重要作用, 因此需进行相应检测。

针对钢筋检测中保护层厚度和钢筋直径无法同时检测的问题, 根据实际工程需要, 采用涡流检测法, 通过增加检测线圈数量和改变线圈排布结构的方式, 获得多组响应信号。并使用MATLAB建立数学模型。对比BP神经网络模型、SVR预测模型及算法改进后的BP神经模型, 最终选择算法改进后的BP神经网络模型作为检测模型。

1) 涡流检测涡流检测主要理论依据为电磁感应原理。当导体在磁场中运动或处在变化的磁场中时, 导体内部产生自成闭合回路的感应电流, 即涡流。因涡流也是瞬变的, 自身也会产生瞬变的磁场, 检测线圈受到磁场影响产生阻抗变化。

本文采用脉冲涡流阵列方式^[5]进行钢筋检测。图1所示为激励信号波形和响应信号波形, 通过前期仿真对比及实物试验, 涡流响应信号中的A区域受钢筋直径及保护层厚度影响较大, 故检测中将主要分析该区域。

2) BP神经网络采用经典的BP神经网络可大致分为3层结构:输入层、隐含层和输出层。相较于其他神经网络, BP特点在于误差反向传播, 有利于获取误差信号用于调整各层权值^[6]。BP神经网络结构如图2所示。

式中:X_n表示网络第n个输入值;Y_m表示第m个输出值;ω_ij与ω_jk均表示网络的权值;b_j为调整阀值;f为激活函数。

BP神经网络中, 隐含层数与节点数均对模型精度有较大影响。节点数与层数过多易出现过拟合现象;数量过少模型对数据描述性较差。目前隐含层节点共有3种选择方式^[7]:

式中:l为隐含层节点数;n为输入层节点数;m为输出层节点数;a为0～10的常数。

3) 支持向量机回归 (SVR) 神经网络有较好的关系表达能力, 但受制于模型自身结构及过度依赖样本训练等原因, 使神经网络往往存在局部最小值点、过学习等问题^[8]。

支持向量机 (SVM) 基本思想在于假定空间存在数个平面可将样本划为2类, 只需满足距离平面最近的点之间距离最大, 则可认为分类效果最佳。假定分类平面y (x) 为:

支持向量机实际上是寻找分类平面, 使距离该分类平面最近的样本点间距离最大:

将支持向量机用于回归称为支持向量机回归。支持向量机回归将非线性关系通过核函数映射至高维空间, 基于结构风险最小化原则可得到能明确表达输入输出非线性关系的线性函数。

由于支持向量机对样本大小依赖性不强, 将大样本训练转化为寻找少量特征样本, 因而在实际应用中具有较好的泛化能力。尤其在小样本空间建立数学模型, 支持向量机回归往往具有较好的效果, 可有效避免局部最小值问题。

本次试验均采用国家标准钢筋, 直径为6～22mm, 共8组。每次试验固定钢筋直径, 在钢筋表面至检测仪器间距离0～100mm处选取20个位置点进行测量。本次试验共采集4 042个样本, 并通过MATLAB随机分为3 900个训练样本及142个测试样本。

实物响应曲线如图3所示。结合图1b可以看出A区域为响应较为明显区域, 主要体现在波形幅值的变化。

为更好地描述这一变化, 对该区域信号进行积分运算:

式中:t₁为信号归零时间 (为计算方便, 实际测量中积分至激励上升沿时刻) ;t_d为激励下降沿时刻;S为积分结果, 为一个无量纲参数;U (t) 为响应信号。

根据GB 50204—2015《混凝土结构工程施工质量验收规范》^[9]对钢筋检测误差要求, 当钢筋混凝土保护层厚度与钢筋直径比<2.5且混凝土厚度<50mm时, 测试误差应控制在±1mm, 其他情况控制在±5%。而由于钢筋直径检测难度较大, 规范对检测仪器的钢筋直径检测误差并未提及。

将检测结果准确度指标确定为检测误差和方差2个指标。

式中:Err_i, X_{obs, i}, X_{model, i}分别为第i个样本测试误差、预测输出、期望输出;RMSE为均方根误差。本文试验分为2部分。

1) 第1部分试验采用目前国家标准及市场上同类产品相同的测试模式。在已知钢筋直径情况下检测保护层厚度, 观察结果是否满足国家标准要求, 验证设计的检测器具是否具有可行性及采样数据的准确性, 从而建立准确有效的样本集。

2) 第2部分在未知钢筋直径的情况下检测钢筋直径和保护层厚度, 采用3种检测模型分别为BP神经网络模型、支持向量机模型及算法改进后的BP神经网络模型。通过比较3种模型准确性, 从而确定最终的建模形式。

由于第1部分试验只用于验证硬件结构的可行性, 故只给出BP神经网络模型试验结果及检测误差, 结果如图4所示。已知钢筋直径情况下保护层厚度检测误差如图5所示。

部分检测对比数据如表1所示。

结合图4, 5可知, 在已知钢筋直径情况下, 保护层厚度预测输出和期望输出基本重合, 仅有1个测试点误差超过-1mm, 误差不大, 而其余检测点的误差多集中于±0.5mm。通过试验结果及均方根误差可知, 设计的检测仪器具有一定的可行性, 采样数据真实可靠, 满足目前国家标准要求且精度较高。

第2部分的试验需同时检测钢筋直径及保护层厚度, 故准确性相较于第1部分试验大大降低。考虑实际应用, 将该部分试验保护层厚度允许误差区间定为±3mm, 而直径检测允许误差区间为±2mm, 即1个钢筋规格公差值。

为提高模型对训练样本数据的描述能力, 避免出现过拟合情况, 本文BP神经网络模型采用5层结构。其中输入层节点6个, 输出层节点2个, 3个隐含层节点数分别为5, 10, 5个, 模型激励函数为:

检测结果如图6, 7所示。部分钢筋真实值与检测值如表2～3所示。

BP神经网络检测结果中, 直径检测方差为0.395 0, 保护层厚度检测方差为0.988 9。直径检测误差范围为-2.5～1.5mm, 大部分处于±1.5mm内。保护层厚度检测误差范围为-3～6mm, 大部分控制在±2mm。

SVR采用libsvm软件包, 并通过遗传算法进行参数寻优, 选择RBF核函数。结果如图8, 9所示。部分钢筋真实值与检测值如表4, 5所示。

SVR检测结果中, 直径检测方差为0.900 5, 保护层厚度检测方差为0.945 7。钢筋直径检测误差为-3～5mm, 大部分控制在±2mm内。保护层厚度检测误差为-6～4mm, 大部分控制在±2mm内。

结合上述2种模型训练结果, 支持向量机回归模型和BP神经网络模型均能够完成钢筋直径和保护层厚度同步检测, 但均存在离群点 (检测误差较大的孤点) 问题。

为改善BP神经网络模型检测效果, 避免出现离群点, 对该模型进行算法改进设计。改进方案为:将训练样本数据进行交叉分组, 共分为5组互有交叉的训练样本, 并以此训练5个不同BP神经网络, 5个不同的BP神经网络同时对钢筋数据进行运算, 得到5组保护层厚度及钢筋直径输出值, 并分别舍去5组保护层厚度和钢筋直径输出值中的最大、最小值, 再将剩余3组值进行加权平均运算, 并将其作为输出检测结果:

式中:BP_opt为实际检测结果;BP_opt1, BP_opt2, BP_opt3为5个子神经网络舍弃最大值与最小值后的输出结果。结果如图10, 11所示。部分钢筋真实值与检测值如表6, 7所示。

改进后BP神经网络经检测组数据交叉验证后, 对保护层厚度与钢筋直径同步检测试验中的钢筋直径检测均方差为0.362 9, 保护层厚度检测均方差为0.838 4。钢筋直径检测误差控制在±1.5mm内, 而保护层厚度检测误差范围也控制在±2mm内, 整体满足预计检测精度要求。

从文中检测结果及方差结果可知, 3种模型建立方式均对钢筋直径和保护层厚度有一定的检测效果。其中支持向量机的检测效果一般。BP神经网络相比SVR检测效果有一定提升, 但会有离群点产生。为解决这一问题, 建立多个神经网络求取结果加权平均的解决方案, 即改进后的BP神经网络, 该方案解决了离群点问题, 检测效果较好满足试验要求, 保护层厚度检测误差控制在±2mm内, 钢筋直径检测误差控制在±1.5mm内, 小于1个钢筋规格公差。

在已获取钢筋检测数据的前提下, 试图使用算法解决混凝土中钢筋检测无法同时检测钢筋直径与保护层厚度的问题。

1) 第1部分试验采用预设钢筋直径检测保护层厚度的方式, 钢筋直径与采集的数据同时作为特征量, 使用BP神经网络建立模型。检测结果满足国家标准且精度较大, 结果表明本次试验中的检测仪器具有一定可行性, 采集的数据真实可靠。

2) 第2部分试验在将钢筋直径和保护层厚度同时作为检测目标的前提下, 使用BP神经网络、支持向量机及改进后的BP神经网络方式建立模型。通过测试样本验证, 均对钢筋直径及保护层厚度有一定的检测效果, 解决目前钢筋检测无法同时完成保护层厚度和钢筋直径检测的弊端。其中改进后的BP神经网络结果低于国家标准要求的误差范围, 对混凝土内部钢筋直径具有较好检测效果。