一种混凝土强度的预测方法

技术领域

本发明涉及一种混凝土强度的预测方法，适用于混凝土强度检测领域。

背景技术

随着我国社会经济的发展，建筑行业的发展如火如荼；混凝土作为一种建筑材料，是指由胶凝材料将集料胶结成整体的工程复合材料的统称，具有原料丰富、价格低廉、生产工艺简单、抗压强度高、耐久性好、强度等级范围宽等特点。但我国通常讲的混凝土是指用水泥作胶凝材料，砂、石作集料，与水(可含外加剂和掺合料)按一定比例配合，经搅拌而得的水泥混凝土，也称普通混凝土，广泛应用于土木工程；混凝土往往对整个结构的质量和安全起到决定性的作用，如何准确的获取混凝土强度的强度值在工程检测领域显得尤为重要。

目前，对混凝土的强度检测方法大致分为局部破损检测和非破损检测或者称无损检测两种，现场检测的方法主要有：回弹法、超声回弹综合法等等，超声回弹综合法由于其受混凝土龄期和含水率影响小、测试精度高、适用范围广、能够较全面地反映结构混凝土的实际质量等优点被广泛的应用与混凝土强度测定工作中；超声回弹综合法是建立在超声波传播速度和回弹值与混凝土抗压强度之间相关关系的基础上，以声速和回弹值综合反映混凝土抗压强度的一种非破损方法，其适用于条件与回弹法基本相同。

但是目前这种方法存在诸多弊端，主要存在问题为：超声波信号容易受到含水率、钢插件、测试仪器、缺陷等因素的影响导致首波很弱或者波形畸变，导致很难获得准确的参数，再加上目前多采用傅里叶变换的方法对声波信号进行分析，但是超声波的信号本质上是有限时间的瞬态非平稳信号，傅里叶变换处理非平稳信号存在天生缺陷，很难对获得声波信号进行有效处理，应用效果较差；同时，在单一工程项目中，采用专用或地区统一的测强曲线进行混凝土强度预测，由于每个项目的环境温度、湿度等条件不同，不可避免的会产生较大的误差，测强曲线应用效果不稳定。

因此，有必要开发一种混凝土强度的预测方法，解决目前超声回弹综合法存在的超声信号分析效果不良、测强曲线在单一工程应用效果不稳定等问题。

发明内容

本发明的目的，是为了解决目前超声回弹综合法存在的超声信号分析效果不良、测强曲线在单一工程应用效果不稳定等问题；提供了一种混凝土强度的预测方法，适用于混凝土强度检测领域，具有数据分析效果显著、单一工程适用性好等优点，可广泛的应用于混凝土强度检测领域。

本发明的目的可以通过采取如下技术方案达到：

S100，对混凝土结构同养试件{1，2，...，n}进行超声波法检测，获得声测结果集{A

S101，采用经验模态分组法EMD对超声波信号{A

S102，信号筛选，重构，获得重构时域信号，基于时域信号获得波速计算值；

S103，对同养试件进行抗压试验获得强度值{C

S104，以粗骨料粒径、水灰比、水泥强度、龄期、波速计算值为输入特征，以抗压强度值为输出特征值构建广义回归神经网络GRNN预测模型；

S105，采用交叉验证方法训练GRNN神经网络，并用循环找到最佳的SPREAD，建立GRNN模型；

S106，获得混凝土强度预测模型，用于混凝土强度的预测。

进一步的上述S100中，n值为同养试块数量。

进一步的上述S101中，采用经验模态分组法EMD对超声波信号进行分解，分解终止条件取SD为0.25，最终每一个超声波原始信号分解后均可获得分量{IMF

进一步的上述S102中，对超声波信号分解的分量进行筛选，筛选的指标为相关系数法，阈值设置为相关系数序列中最大值的1/10，判定小于阈值为无效分量，大于等于阈值为有效分量，即可获得有效分量集{IMF

v＝l/t

式中，v为计算声速值，l为传播距离，可根据试件的厚度或者待测构建的厚度而定，t

进一步的上述S104中，广义回归神经网络GRNN由输入层、模式层、求和层和输出层组成，其中输入层数量与输出变量粗骨料粒径、水灰比、水泥强度、龄期、波速计算值相同为5，输出层为1，输出变量为混凝土强度，所有数据均需归一化，归一化方法选用最大最小法。

本发明的有益效果是：

本发明的有益效果是：解决了超声回弹综合法存在的超声信号分析效果不良、测强曲线在单一工程应用效果不稳定等问题；提供了一种混凝土强度的预测方法，适用于混凝土强度检测领域，具有数据分析效果显著、单一工程适用性好等优点，可广泛的应用于混凝土强度检测领域。

附图说明

图1：本发明的一种混凝土强度的预测方法的流程图。

图2：本发明的一种混凝土强度的预测方法的广义回归神经网路模型结构图。

具体实施方式

以下结合附图对本发明的具体实施例进行详细说明；应当理解的是此处所给出的具体实施例仅用于说明和解释本发明，并不能用来限制本发明。

下面是一种混凝土强度的预测方法的具体实施例。

如图1所示，为根据本发明的一种混凝土强度的预测方法流程图。

步骤S100，对混凝土结构同养试件{1，2，...，n}进行超声波法检测，获得声测结果集{A

步骤S101，采用经验模态分组法EMD对超声波信号{A

步骤S102，信号筛选，重构，获得重构时域信号，基于时域信号获得波速计算值；具体的，对超声波信号分解的分量进行筛选，筛选的指标为相关系数法，阈值设置为相关系数序列中最大值的1/10，判定小于阈值为无效分量，大于等于阈值为有效分量，即可获得有效分量集{IMF

v＝l/t

式中，v为计算声速值，l为传播距离，可根据试件的厚度或者待测构建的厚度而定，t

更具体的，相关系数法是表征两个信号相似程度的特征值，这里通过计算每个IMF信号与原始信号的相关系数，设置阈值进行筛选，相关系数法计算公式为式(2)；获得筛选信号后进行信号重构，超声波信号常由于传播途径的各种原因导致信号紊乱，波形畸变，重构信号由于剔除了信号干扰的部分，获得信号首波波峰清醒明了，对重构超声波信号进行首波波峰判别，以确定声时，进一步由于已知传播距离可以计算获得声速计算值。

式中，A

步骤S103，对同养试件进行抗压试验获得强度值{C

步骤S104，以粗骨料粒径、水灰比、水泥强度、龄期、波速计算值为输入特征，以抗压强度值为输出特征值构建广义回归神经网络GRNN预测模型；具体的，广义回归神经网络GRNN由输入层、模式层、求和层和输出层组成，其中输入层数量与输出变量粗骨料粒径、水灰比、水泥强度、龄期、波速计算值相同为5，输出层为1，输出变量为混凝土强度，所有数据均需归一化，归一化方法选用最大最小法。

更具体的，之所以选择广义神经网络GRNN，主因是该神经网络在测试样本数据较少时，预测效果也较好，广义神经网络GRNN结构见图2，这里选择粗骨料粒径、水灰比、水泥强度、龄期、波速计算值为输入特征，主要是考虑这些因素与混凝土强度关系较为密切，并没有考虑回弹值，是因为回弹值只与表面混凝土强度相关。

步骤S105，采用交叉验证方法训练GRNN神经网络，并用循环找到最佳的SPREAD，建立GRNN模型。具体的交叉验证的方法采用K倍交叉验证，K一般取10，可根据实际情况做具体调整，通过交叉验证的方法循环获得最佳SPREAD，建立GRNN模型。

步骤S106，获得混凝土强度预测模型，用于混凝土强度的预测。

整个方法通过对混凝土同养试块进行超声波法无损检测，对声测信号采用经验模态分解法EMD获得信号的IMF分量，对IMF信号进行分解筛选重构，获得重构信号，基于重构信号的波速、以及相关参数构建广义回归网络GRNN预测模型，采用交叉验证方法训练GRNN神经网络，并用循环找到最佳的SPREAD，最终建立混凝土强度的预测的GRNN模型用于强度的预测工作；本方法有效解决了目前超声回弹综合法存在的超声信号分析效果不良、测强曲线在单一工程应用效果不稳定等问题，具有数据分析效果显著、单一工程适用性好等优点，可广泛的应用于混凝土强度检测领域。

以上所述为本发明的较佳实施例，并不以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。