高層建筑施工過程混凝土工程質量控制研究

林月潭（福建省五建建設集團有限公司，福建 泉州 362200）

由于混凝土材料具有強度高、耐久性好、抗震和抗沖擊能力強、可塑性優良、防水性能強等優點，混凝土成為建筑工程最為關鍵的建筑材料，是目前工程結構中使用最多的大宗材料。在建筑行業高速發展的我國，混凝土的產量占到全球混凝土總產量的50%[1]。由于混凝土的施工質量直接關系到建筑結構的安全性能、使用性能、抗震性能和耐久性能等，因此，高質量的混凝土澆筑施工是獲得均勻、密實、內優外美的高品質建筑構件的關鍵。然而，混凝土的質量受到諸多因素的影響，包括原材料質量、施工環境、技術工藝、人員素質等，這些因素既有主觀因素，又有客觀因素，相互交叉和相互影響，使得現場混凝土工程質量的控制需要涉及全方位和全要素的管理[2-3]。

在計算機信息技術和傳感器技術的發展下，土木工程行業也朝著數字化、智能化的方向發展。借助高速發展的人工智能技術和機器視覺技術，對混凝土的施工全過程進行機器監督和混凝土質量檢測控制，可以起到事半功倍的效果，可以大大提高混凝土施工全過程的高效質量控制[4]。

研究依托福建省泉州市浦西城市綜合體安置房——汀榮9#地塊5#、6#樓工程，提出基于數字圖像處理算法的混凝土質量檢測和控制方法，在工程環境復雜的施工現場，運用高清攝像機對混凝土的下料和澆筑過程進行攝像，獲得高精度的圖像和視頻，結合數字圖像技術和深度學習方法，提取混凝土的圖像特征，研究混凝土坍落度和混凝土標號的混凝土質量圖像響應。相比于傳統的人工混凝土質量檢測方法，提出的混凝土質量控制方法具有簡便快捷、成本低廉、檢測分類高、成果數字化的優點，研究成果可以應用于土木工程領域混凝土的施工質量控制。

1 工程概況

浦西城市綜合體安置房——汀榮9#地塊5#、6#樓工程位于泉州市豐澤區泉秀街道，場地東側為燈榮路，南側為泉州市第七中學崇德校區及第七中學教師宿舍樓，西側為多棟9層居民樓（樁基礎），北側為福廈公路。場地地貌為海基平原地貌。本工程結構為地下1層，地上21層的現澆混凝土框架-核心筒結構，最高建筑高度80m，總建筑面積54262.93m2。

本工程主要結構類型為現澆混凝土框架-核心筒結構，結構抗震設防烈度為7度，耐火等級為一級，防火類別為一類高層公共建筑，建筑工程設計等級為一級，功能布局為地下室平時為機械停車庫及非機動車停車庫。地下室（人防地下室）建筑面積約為5221.32m2，其中人防建筑面積（C區）為420.45m2，主體結構合理使用年限50 年。建筑施工涉及土建工程總量多，包括深基坑工程、主體結構高支模工程、主體結構鋼筋混凝土工程等。建筑物詳細特征情況見表1。

表1 建筑物詳細特征情況

2 高層建筑混凝土工程施工質量控制技術要點

混凝土工程的質量控制技術要點包括原材料質量控制、配合比參數控制、混凝土澆筑質量控制。

2.1 原材料質量控制

原材料控制是混凝土工程重點，拌制混凝土的原材料主要包括水、水泥、粗細骨料和添加劑等。材料控制要點，其中生產所用水的pH值不小于4，硫酸鹽含量≤1%。通用水泥分為硅酸鹽水泥、普通硅酸鹽水泥、粉煤灰硅酸鹽水泥、礦渣硅酸鹽水泥、火山灰質硅酸鹽水泥、復合硅酸鹽水泥[5]。各種水泥的適用范圍見表2。

表2 各類水泥的適用范圍和不適用范圍對比

粗骨料應控制各級骨料的級配含量，最大粒徑不超過鋼筋凈距的2/3，粗骨料粒徑為40mm時，可以分成D20 和D40 兩級粒徑組合；當粗骨料粒徑為80mm 時，可以分為D20、D40 和D80 三級粒徑組合；當粗骨料粒徑為150（120）mm 時，可以分為D20、D40、D80、D150（D120）四級粒徑組合。細骨料應選擇質地堅硬和級配良好的天然河沙，細骨料的含水率一般控制在6%以內，人工砂的細度模數控制在2.4～2.8，而天然砂的細度模數控制在2.2～3.0。在拌制混凝土過程中加入外加劑，用以改善混凝土性能的物質，摻量不大于水泥質量的5%[6]。

2.2 配合比參數控制

配合比的參數孔應滿足工程設計的強度要求，設計的混凝土與所處環境的耐久性要求相匹配，并滿足和易性要求，主要控制參數如水灰比、水膠比、砂率、骨料粒徑、膠凝材料種類和摻合料種類等應進行嚴格控制。一般而言，在用水量方面，水泥水化需要的水僅是總質量的23%左右，用水量應控制水泥顆粒能夠充分擴散、逐步完成水化反應[7]。在沒有加入減水劑時，混凝土坍落度變化20mm，用水量隨之變化5kg/m3左右，加入減水劑后，用水量按3kg/m3左右變化。混凝土坍落度每增加20mm，漿體用量將增加10L/m3，膠凝材料用量也就相應增加20kg/m3左右。

2.3 混凝土澆筑質量控制

當混凝土運至現場后，應盡快安排澆筑入模。粗骨料粒徑大于25mm時，澆筑傾落高度不超過3m，粗骨料粒徑小于等于25mm，澆筑傾落高度不超過6m。混凝土振搗應遵循“快插慢拔”的原則，振搗時間控制在20s～30s之間，插點之間的間距為振動棒作用半徑的1.5倍，插點與模板的距離保持150mm～200mm。每臺混凝土輸送泵的最大理論排量為50m3/h，混凝土的流淌坡度保持在1:8的自然狀態。

3 基于深度學習的高層建筑施工過程混凝土工程質量控制方法

3.1 基于深度學習的混凝土質量控制算法

在高層建筑施工過程中，混凝土的控制節點主要為原材料的下料區域、施工拌合區域和混凝土澆筑區域，經過質量控制參數以及現場圖像的輸入和數字化處理，建立目標質量控制模型，并以修改的YOLOv3-tiny方法重構圖像分類模型，最后以U-Net模型分類器，輸出質量控制結果，如圖1所示。

圖1 高層建筑混凝土工程施工質量控制全流程算法

對原材料的下料區域、施工拌合區域和混凝土澆筑區域的如圖2～圖4所示。

圖2 原材料下料區

圖3 混凝土拌合區

圖4 混凝土澆筑區

在混凝土原料的下料區，由于骨料在倉庫料斗之間的出口出現快熟傾瀉狀態，對圖像的捕捉完成后，首先對對象進行二值化，見式（1）；隨后可以采取高斯濾波的方法對噪點進行濾除，其計算方法見式（2）。

式中Dn(x,y)為差分圖像；fn(x,y)、fn-1(x,y)為圖像中相鄰2個像素點的灰度值；T為濾波設定的閾值。

當一個像素點的灰度梯度值超過maxVal（T值上限），則像素點被認為是邊緣點，而對于一個像素點的灰度梯度值小于minVal（T值下限），則像素點被認為非邊緣點。

YOLOv3在處理速度和準確性方面表現出色，使其成為實時目標質量監測任務的理想選擇。相比之前的算法，尤其是針對小目標，YOLOv3-tiny 的精度有顯著提升。對于每一幅輸入圖像，YOLOv3-tiny會預測三個不同尺度的輸出，目的是檢測出不同大小的目標。

3.2 試驗結果與分析

試驗以骨料的含水率、混凝土的坍落度為例，在質量控制訓練中運用普通的圖像分類卷積神經網絡模型以及研究中的U-Net 模型進行訓練和機器學習，并以1083 個樣本數量進行質量控制輸出，以傳統的人工質量檢測為基準，判別算法的質量控制準確性，結果如圖5所示。

圖5 骨料含水率、混凝土的坍落度的質量控制準確率

從圖5（a）中可以看出，普通卷積神經網絡模型的骨料含水量質量控制準確率變化范圍為76.44%～85.39%，總體準確率為80.24%；而U-Net模型的骨料含水量質量控制準確率變化范圍為80.34%～93.45%，總體準確率為87.9%。U-Net 模型的骨料含水量在質量控制中等、良好和優秀的準確率上均大于普通卷積神經網絡模型。

從圖5（b）中可以看出，普通卷積神經網絡模型的混凝土坍落度質量控制準確率變化范圍為77.9%～89.7%，總體準確率為82.6%；而U-Net模型的混凝土坍落度質量控制準確率變化范圍為87.5%～92.3%，總體準確率為90.8%。U-Net 模型的混凝土坍落度在質量控制中等、良好和優秀的準確率上均大于普通卷積神經網絡模型。

4 結語

本文以福建省泉州市浦西城市綜合體安置房工程為研究對象，提出基于數字圖像處理算法和機器視覺技術的混凝土工程質量全過程控制方法，并以傳統的人工檢測驗證質量控制效果，得到以下結論：

（1）提出的混凝土質量控制方法為在混凝土的控制節點主獲取圖像參數，經過質量控制參數以及現場圖像的輸入和數字化處理，建立目標質量控制模型，并以修改的YOLOv3-tiny方法重構圖像分類模型，最后以U-Net模型分類器，輸出質量控制結果。

（2）基于U-Net模型的混凝土骨料含水率質量控制表明，U-Net模型的混凝土骨料含水率質量控制總體準確率為87.9%，大于普通卷積神經網絡模型的骨料含水率質量控制總體準確率80.24%。高準確率的骨料含水率為提高混凝土強度、減低混凝土收縮度提供了良好基礎。

（3）基于U-Net 模型的混凝土坍落度質量控制表明，U-Net模型的混凝土坍落度質量控制總體準確率為90.8%，大于普通卷積神經網絡模型的混凝土坍落度質量控制總體準確率82.6%。高準確率的坍落度質量控制為混凝土的流動性、工作性能、耐久性能提供了良好的基礎。