便攜式超聲透射法灌注樁基檢測系統的開發與應用

羅 禪 劉 偉 胥 東

中國建筑第二工程局有限公司 云南 昆明 650224

灌注樁埋深一般較大，部分灌注樁深度達到15 m以上，現階段的有傷檢測法一般無法滿足對灌注樁樁基檢測的工程需求，所以尋求一種新型高精度探傷方法，是解決灌注樁后期質量管理的重要途徑。超聲法檢測技術基于不同頻率超聲在灌注樁及周圍區域的反射特征，對灌注樁深埋部分的形態、氣泡、裂隙等進行檢測。配合復合頻率超聲反饋信號的三維成像技術，該系統可提供較為精細的灌注樁檢測結果。當前，使用機器學習技術配合連續小波變換對樁基礎的超聲成像進行細化分析，成為當前樁基礎超聲分析的重要技術[1-5]。

1 工程概況

1.1 樁基基本情況

某樓盤為單體高層建筑，地下4層，地上主樓65層，副樓6層。其中地上主樓部分為雙箍筒結構，單層面積1 125 m2，箍筒高度相對地坪（±0 m）193 m，基坑深度18 m。該區域為黃河中下游沖積平原與魯中南低山丘陵區的交界地區，第四系發育，厚度28～37 m，底部基巖為奧陶系鮞狀灰巖，持力29.7 MPa±2.8 MPa，厚度35～47 m。鮞狀灰巖頂板成單斜構造，西北高、東南低。該個案共施工灌注樁8個，在基坑底板向下施工，深度12～17 m。灌注樁采用圓形斷面，直徑600 mm，沉鋼筋籠后使用改性M5水泥砂漿進行帶滲透壓的壓力灌注。

鋼筋籠直徑530 mm，骨料為直徑12 mm螺紋鋼，肋料為直徑6 mm圓鋼，輔料為直徑2.5 mm鍍鋅鐵絲。鋼筋籠截面共布置22根平行骨料，肋料間距為35 mm，骨料與肋料之間，使用輔料進行綁扎。采用分段式鋼筋籠的沉籠法，每段長度為2.8 m，段間咬合400 mm，咬合段公用肋料不少于10根。

1.2 超聲系統基本情況

本文采用基于A R M 內核與L I N U X 操作系統的 TS-QJ702（A）綜合超聲物探儀進行樁基深度探測，其聲源設備為大功率超磁激發多頻帶聲波震源，最大聲波頻率為500 kHz，可分別采用平滑、LPF（低通濾波器）、BPF（帶通濾波器）、HPF（高通濾波器）、合成增幅等算法進行噪聲過濾，可采用內置積分處理、頻譜分析、相關分析、積算處理等對聲波信號進行離線分析。

設備最小采樣間隔為2 μs，最大探測深度為60 m，最大缺陷探測精度為10 mm，數據采樣精度為24位。本次研究將利用多點多角度的聲波探測結果進行深度數據挖掘，以在該設備原始精度基礎上，對超聲探測精度做到最大程度提升。

2 連續小波變換算法

2.1 小波變換的基函數

連續小波變換算法是以小波變換函數為基函數，而小波變換的目標是一種特殊的長度有限、平均值為0的波形。

在進行基函數構建的過程中，需要先對小波變換的容許條件進行判斷：

式中：R——積分區間；

ω——頻域自變量；

Ψ——原始函數。

小波變換有以下特征：

1）時域內具有緊支集或似緊支集。

2）波動性具有正負交替性，即各矢量分量之和均 為0。

3）信號可以分解成一系列相同母小波函數的子函數，在小波函數中，尺度伸縮不影響小波函數的疊加。

將小波函數Ψ(t)進行伸縮平移，可寫為：

式中：a——伸縮量；

τ——平移量。

小波基函數是由同一組母函數經過伸縮和平移后得到的一系列函數序列，即小波基函數在時域、頻域等方面都具有有限的或近似有限的定義域。

在有限的定義域下，不論進行何種時域變換和頻域變換，其結果仍是有限的。因為窗口尺度不同，當a逐漸增大時，其基函數的時域窗口也隨之僧大，而其頻域窗口隨之減小，反之亦然。

在此基礎上，假定一個原函數如下：

式中：t——自變量控制區間變量。

對其進行Haar小波變換，變換公式為：

式中：ω——頻域自變量；

－iω/2——小波變換Haar常數。

2.2 連續小波變換算法

連續小波變換是將任意的L2(r)空間的函數f(t)進行小波基函數展開，即：

式中：a——伸縮量；

τ——平移量；

R——小波變換的積分區間。

與小波變換基函數和傅里葉變換相比，連續小波變換有以下相同特征：

1）二者均為積分變換過程。

2）均為相對固定的變換系數。

與小波變換基函數和傅里葉變換相比，連續小波變換有以下不同特征：

1）連續小波變換是小波變換的有效延伸，且對尺度和平移2個參數有函數體現。

2）連續小波變換函數在小波基函數下展開，即其本質是將一個時域函數投影到具有二維時間特征的時域平 面上。

3 樁基檢測的基本需求分析

分析上述測量過程，如果單純使用TS-QJ702（A）綜合超聲物探儀進行檢測，需要將檢測數據拷貝到工作站中，甚至結合云計算IDC（互聯網數據中心）設備進行后置分析，才可以得到更加精細的結果，此過程并不能對 TS-QJ702（A）綜合超聲物探儀性能進行全面開發，且嚴重影響了測量效率。今天的智能化物探過程，基本拋棄了以往的外業測量、內業分析的數據處理方式，而是更側重內業工作時向外業提供數據分析平臺支持，而確保外業工作可以得到更加直觀的數據。此數據重新提交到內業部門后，再由內業部門根據數據表達和數據可視化結果編制相應的勘探報告書。所以，應充分利用TS-QJ702（A）綜合超聲物探儀提供的數據接口，利用其LINUX系統的開源特性，對TS-QJ702（A）綜合超聲物探儀進行二次開發，使其在基本物探功能的基礎上，實現更豐富的數據分析能力。

所以，可以將本文的樁基檢測系統開發需求，歸納為以下幾個組成部分。

3.1 TS-QJ702（A）綜合超聲物探儀的二次開發

根據前文分析，TS-QJ702（A）綜合超聲物探儀是基于LINUX操作系統的ARM架構，其本身是一個通用計算機系統，基于LAMP的LINUX開發平臺，可以對TS-QJ702（A）綜合超聲物探儀進行較為系統的二次開發。但此開發過程在終端設備TS-QJ702（A）綜合超聲物探儀上的開發任務較為簡單，需要在終端設備上采集相關數據并上傳到云端，由云端進行數據深度挖掘后，將計算結果返回給終端設備，如圖1所示。

圖1 二次開發終端設備開發任務

1）元數據庫采用MySQL的開發平臺，將原始系統中的24位采集數據讀取后進行備份，數據表參照表1。

表1 元數據庫數據結構

2）將生成完畢的元數據庫中數據提交到云端IDC機房，并等待云端的信息回饋。云端信息回饋主要有兩類數據。其一是數據的可用性，通過云端對數據可用性做出評價，如果數據質量不佳，則會要求終端重新測量。其二是云端返回的數據報告，該報告會在云端存儲的同時在終端也進行存儲，以便后續內業編輯過程的數據調取。該功能可在Web-Service架構上進行搭建。

3）根據云端返回的數據報告，在終端構建一個可視化界面，可以在終端查看云端生成的三維全息模型，并可在終端對三維全息模型進行切割并觀察截面。該功能可在MATLAB架構上進行搭建。

3.2 大數據云端分析功能的搭建與開發

將設計目標精度±10 mm的TS-QJ702（A）綜合超聲物探儀單點數據進行整合，形成多點測試數據集，進而對數據集進行深度挖掘的過程，屬于大宗數據的深度挖掘過程。這一過程對計算資源的需求量較高，對計算資源的占用時間較長，所以TS-QJ702（A）綜合超聲物探儀自身的計算資源遠不能滿足該計算需求，且需要使用集群服務器構建更大資源量的IDC資源對該計算任務進行功能實現。該計算任務可以通過圖2表達。

圖2 云端數據處理流程

3.2.1 數據去量綱模塊

云端讀入數據后，對3個探頭定位數據，3個回波矢量方向數據，1個回波信息數據進行去量綱計算，確保其量綱得到統一且投影區間保持一致。去量綱的實際意義是在不同測量點數據之間保持數據的一致性。而當前最常用的數據去量綱計算過程多采用min max算法，即輸入變量與整列數據最小值的差距與數列總差距之間的比值。如不加系數，則經過min max計算的所有數據列，其投影點會投影在[0,1]區間上，其中最小值為0，最大值為1，所有數據之間的排列順序和比例關系在投影后保持不變。

3.2.2 數據篩選模塊

數據篩選分為兩步：第一步將不完整數據刪除，即表1中字段數據存在缺失的數據，應被剔除。這些不完整數據可能來自終端設備的實測數據，也可能來自數據轉化和數據傳輸過程中出現的錯誤。第二步將離群數據單獨成表。使用K-mean算法對數據進行聚類分析，對小規模離群數據進行單獨成表，在數據歸類模塊和目標點定位算法中再對這些數據進行重新確認。

3.2.3 數據歸類模塊

數據歸類模塊的特征是將同一個測量點下，同一個信息發送時間戳下的數據進行歸類，并對這些數據進行單獨分析。同一個測量點在同一個信息發送時間戳下可能會收到1～3 s的數據，按照20 μs的回波采樣頻率，每秒鐘采集的數據量可能達到5萬個時間戳以上，且每個時間戳可能有不同矢量值進入的數據，因此可能會出現達到百萬條以上的數據量。但這些數據多數為空數據和噪聲數據，在數據篩選過程中，這些數據會被大量剔除，可能1～3 s的偵聽周期內，可能回收1萬～2萬條有效數據，這些數據將會被用作模型的最終成像。

3.2.4 數據矢量化模塊

采用arctan函數，將3個矢量數據進行矢量還原，即：

數據矢量化模塊的統計學意義是將去量綱模塊中經過去量綱的矢量數據重新構建成矢量數據。矢量數據去量綱后會變成4個單列數據，分別為3個方向數據和1個矢量絕對值數據，矢量絕對值數據即是經過去量綱的Main-Data 數據。

3.2.5 目標點定位模塊

經過數據矢量化的數據，經過平差后可以得到目標點定位結果。常規的平差方案如圖3所示。

圖3 平差算法示意

可以看到，系統測量結果基本可以斷定相應的回波響應點距離測點的距離。根據該距離，可以得到各個理論距離球弧面的交點，這些交點會構成一個模糊區域，采用幾何平均值方法，求出該模糊區域的質心，即可得到平差后的目標點定位信息。即對于N個測量點得到的對應X值，其定位平差方法為所有X的乘積的負N次方。對Y值、Z值的平差方法與上述X值的平差方法一致。

經過平差后，其理論誤差為視線所有誤差的乘積，即在20 m距離內出現±10 mm的誤差，其單點誤差率為5×10-4，在三點聯合平差后，其誤差可降至1.5×10-12級別。

3.2.6 三維模型生成模塊

將上述所有目標點之間實現曲面連接和平滑計算，即可得到基于超聲數據的三維模型。受篇幅限制，本文不再對曲面連接的平滑計算展開分析。經過三維模型生成模塊生成的三維模型，將通過網絡返回到對應的測量終端 TS-QJ702（A）綜合超聲物探儀中，可在測量終端查看測量結果的三維模型結果。

4 系統的實現及測試

該系統在云端IDC系統中，主要需要的是數據倉庫主機組和計算中心主機組。根據前文分析，因為該系統需要對上百萬條大宗數據進行聯合計算，所以對計算中心的需求量要求較高，但對數據倉庫存儲容量的要求較低，所以，系統可構建2套可以動態擴容的負載均衡系統對數據倉庫和計算中心進行管理，如圖4所示。

在該系統的架構下，進行系統黑箱測試，發現使用4臺計算中心主機（2個四核2.4 GHz中央處理器加4個八核2.0 GHz浮點處理器，搭配192 GB動態存儲器）配合1臺數據倉庫主機（2個四核2.4 GHz中央處理器搭配64 GB動態存儲器，配合2 T高速機械硬盤，使用RAID5架構），可在340 s內完成對本文個案的數據分析。

圖4 本文系統的云端IDC布局

5 結語

結合工程案例，本文在TS-QJ702（A）綜合超聲物探儀的LINUX開源系統的基礎上，使用LAMP開發平臺，繞過其物探控制和數據采集的非開源部分，對其進行二次 開發。

結合云計算技術實現了對其功能的有效擴充。將該系統的理論誤差從±5×10-4級別提升到±1.5×10-12級別，且該計算過程在可動態擴容IDC系統基礎上實現了340 s的系統響應時間。將以往需要長時間離線分析才可以得到的高精度灌注樁超聲探測結果實現了準實時響應。因此，該系統具有一定的工程實踐意義。