一种隧道衬砌中钢筋的去噪方法

技术领域

本发明涉及一种隧道衬砌中钢筋的去噪方法，属于探地雷达领域技术领域。

背景技术

探地雷达是一种基于高频率电磁波传播的无损检测工具，具有快速、无损以及连续探测的特点，并且可以将地下结构剖面实时成像，因此被广泛应用于工程和环境物探，是探测隧道衬砌下隐藏病害情况的良好工具。然而由于隧道衬砌中浅层钢筋网络对病害雷达信号的覆盖性，导致探地雷达无法准确识别钢筋网下的病害。一些研究是采用GprMax正演模拟对钢筋网下的病害进行人工图像解译，但是此类方法耗时长、精度低。因此，如何高精度去除钢筋噪音影响已成为目前探地雷达识别隧道衬砌下病害体的一大难题。

目前，较为广泛使用的钢筋去噪方法有人工解译法和深度学习法。

2004年徐茂辉等通过大量正演模拟研究钢筋的雷达图像，随后使用BP人工神经网络识别出了钢筋的直径。但该方法并没有识别出钢筋网下的病害，且正演模拟耗时长、成本高且试件数量不足。

2020年叶煜辉等通过深度学习研究了隧道衬砌下的各类病害，然而该方法并没有给出受钢筋强信号干扰下病害的识别方法。

2020年李姝凡等通过深度学习研究了钢筋网下混凝土中空洞和脱空病害识别和去噪问题，然而该方法中研究的病害模型较为单一，且没有运用在隧道衬砌检测中。

综上所述，针对隧道衬砌中钢筋网下病害的识别去噪问题尽管相继出现了不同的解决方案，但有的耗时长，试件数量少；有的虽研究隧道衬砌中不同类型病害，但没有给出钢筋网下的病害体具体识别方法；有的虽研究钢筋网下脱空与空洞病害识别方法，但是研究的病害模型较为单一，且没有应用于隧道衬砌环境中。

发明内容

为了克服现有技术中的问题，本发明提供一种隧道衬砌中钢筋的去噪方法。

本发明解决上述技术问题所提供的技术方案是：一种隧道衬砌中钢筋的去噪方法，包括以下步骤：

步骤S1、针对隧道衬砌结构设计符合实际意义的隧道衬砌中钢筋网覆盖下的病害模型，通过时域有限差分正演(FDTD)得到正演模拟图，同时设计出与病害相对应的真实模型图；

步骤S2、将正演模拟图作为输入和真实模型图作为输出放在GPR-inv Net网络结构中进行训练及参数迭代，获得最优的GPR-inv Net网络结构；

步骤S3、根据训练后最优的GPR-inv Net网络结构输出去噪预测结果图。

进一步的技术方案是，所述步骤S2中的具体训练过程为：

步骤S21、首先将数据x

步骤S22、通过中间层的计算最后达到输出层；

步骤S23、计算数据x

步骤S24、重复S21-S23，计算第L

步骤S25、计算输出层L

步骤S26、计算全局误差；

步骤S27、计算最终层的权重参数的梯度值、偏置参数的梯度值，并根据反向传播的思路对第m层的参数求其梯度值；

步骤S28、重复以上步骤，观察学习率并控制梯度更新的速度以达到最佳参数选择。

进一步的技术方案是，所述步骤S21中的计算公式为：

式中：x

进一步的技术方案是，所述步骤S22中的计算公式为：

式中：

进一步的技术方案是，所述步骤S23中均值μ

式中：μ

进一步的技术方案是，所述步骤S23中对数据进行标准化的公式为：

式中：μ

进一步的技术方案是，所述步骤S23中还原数据特征的公式为：

式中：y

进一步的技术方案是，所述步骤S25中的计算公式为：

式中：

进一步的技术方案是，所述步骤S26中的计算公式为：

式中：C为全局误差。

进一步的技术方案是，所述步骤S27中的计算公式包括：

梯度值计算公式：

则权值参数的梯度值可表示为：

同理有偏差的梯度值可表示为：

对于模型第m层参数的梯度值：

式中：C为全局误差；ω为权重参数，b为偏置参数。

本发明具有以下有益效果：本发明具有处理时间快、操作简单、精度高等优点。

附图说明

图1为GPR-inv Net网络结构图；

图2为不含钢筋空洞模型图；

图3为含一半钢筋空洞模型图；

图4为钢筋全覆盖下空洞模型图；

图5为衬砌结构中钢筋全覆盖下空洞模型图；

图6为衬砌结构中钢筋全覆盖下裂隙模型图；

图7为衬砌结构中钢筋全覆盖下疏松体模型图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种隧道衬砌中钢筋的去噪方法，包括以下步骤：

步骤S1、针对隧道衬砌结构设计符合实际意义的隧道衬砌中钢筋网覆盖下的病害模型，通过时域有限差分正演(FDTD)得到正演模拟图，同时设计出与病害相对应的真实模型图；

步骤S2、将正演模拟图作为输入和真实模型图作为输出放在GPR-inv Net网络结构(如图1所示)中进行训练及参数迭代，获得最优的GPR-inv Net网络结构；

步骤S21、首先将数据x

式中：x

步骤S22、通过中间层的计算最后达到输出层；

式中：

步骤S23、计算数据x

步骤S24、重复S21-S23，计算第L

步骤S25、计算输出层L

步骤S26、计算全局误差；

步骤S27、计算最终层的权重参数的梯度值、偏置参数的梯度值，并根据反向传播的思路对第m层的参数求其梯度值；

梯度值计算公式：

则权值参数的梯度值可表示为：

同理有偏差的梯度值可表示为：

对于模型第m层参数的梯度值：

式中：C为全局误差；ω为权重参数，b为偏置参数

步骤S28、重复以上步骤，观察学习率并控制梯度更新的速度以达到最佳参数选择；

步骤S3、根据训练后最优的GPR-inv Net网络结构输出去噪预测结果图。

式中：x

实例

首先设置了如图2a所示的不含钢筋圆形空洞模型作为对照试验，得到了图2b所示的正演模拟图；在此基础上加入了一半的钢筋网和完整的钢筋网进行效果分析，如图3和图4所示。对比图3c和图3d、图4c和图4d均发现采用此方法可有效去除钢筋带给空洞的噪音影响。

其次设置了完整钢筋网干扰下隧道衬砌中的空洞病害模型如图5所示，分析图5c与图5d发现无论是钢筋网噪音的去除，还是衬砌界面和空洞模型的反演效果都有着较好的效果。

最后设置了完整钢筋网干扰下隧道衬砌中其他病害的模型如图6、图7所示，其中图6代表隧道衬砌中的裂缝病害，图7代表隧道衬砌中的疏松体病害，从图6d和图7d都可看出此方法十分适用于去除钢筋网的噪音、反演衬砌界面和病害模型。

以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。