堆石壩壓實密度快速檢測方法的研究

蔡榮生，董東雪，王利楠

(中國水利水電第六工程局有限公司,山東 臨朐 262600)

堆石壩作為一種廣泛應(yīng)用于水利工程中的壩體結(jié)構(gòu),其穩(wěn)定性對于保障工程安全具有至關(guān)重要的作用。在堆石壩的施工和運行過程中,密實度是衡量其質(zhì)量的關(guān)鍵指標之一。然而,如果堆石壩的密實度不足,可能會導(dǎo)致一系列嚴重問題,如壩體強度下降、裂縫和滲漏等,甚至可能引發(fā)潰壩事故。這些問題的出現(xiàn)不僅會影響工程效益,更會對人民生命財產(chǎn)安全構(gòu)成嚴重威脅。因此,對堆石壩密度進行檢測顯得尤為重要,不僅有助于及時發(fā)現(xiàn)和解決潛在問題,更可以為保障工程安全提供有力支持。本文將重點探討堆石壩密實度的快速檢測方法,旨在為相關(guān)工作提供有價值的參考。

1 堆石壩檢測現(xiàn)狀

堆石體結(jié)構(gòu)中的填石料,其粒徑較大且顆粒分布不均,給質(zhì)量檢測帶來了不小的挑戰(zhàn)。為了確保堆石體的質(zhì)量,密實度的檢測和評估顯得尤為重要。目前,主要有兩種方法用于此項工作:直接法和間接法[1]。

間接法主要包括壓實沉降觀測法、碾壓試驗法、連續(xù)壓實控制法、承載板法以及面波法。這些方法在控制施工過程中的質(zhì)量方面具有一定的準確性,但它們難以評估結(jié)構(gòu)內(nèi)部的密實狀態(tài)。例如,壓實沉降觀測法和碾壓試驗法雖然能夠較為準確地控制結(jié)構(gòu)填筑施工過程中的質(zhì)量,但它們難以對結(jié)構(gòu)內(nèi)部的密實狀態(tài)進行定性評價。而連續(xù)壓實控制法和承載板法則可以定量評價壓實狀態(tài),但僅限于結(jié)構(gòu)表面的壓實狀態(tài),無法檢測出結(jié)構(gòu)深處的填石料密實度[2]。

近年來,面波勘探檢測作為一種新型的勘探檢測手段逐漸受到關(guān)注[3]。它利用表面波傳播速度與結(jié)構(gòu)內(nèi)部材料密度、強度、彈性模量等力學(xué)參數(shù)的良好相關(guān)性,通過檢測堆石體中的波傳播速度來評估密實度。該方法具有操作簡便、探測速度快等優(yōu)點,且對檢測場地要求不高,能夠一次獲得與深度相關(guān)的地層剪切波速度參數(shù)。然而,當顆粒級配變化較大時,面波檢測密實度的精度可能會受到影響,此外,檢測指標的選擇和標準的制定等問題也需要進一步探討和解決[4]。

直接法主要是坑測法,即挖坑、稱重和量體積[5]。這種方法雖然原始,但其結(jié)果相對準確可靠。然而,挖坑灌水法試驗也存在一些局限性。首先,該方法檢測效率低下、費時費力,并具有一定的破壞性。在壩體填筑高峰期,會影響施工進度。此外,由于堆石粒徑大且不規(guī)則,采樣過程中容易破壞其原狀結(jié)構(gòu),導(dǎo)致采樣坑不規(guī)則、邊界不清、體積計算不準確等問題,從而影響測試結(jié)果的準確性。

2 研究目標

本課題擬從規(guī)范要求的試坑灌水法出發(fā),結(jié)合工程實際,從試坑法全自動化多角度出發(fā),采用激光掃描快速計算試坑體積替代灌水量測體積法,采用圖形智能識別骨料粒徑替代人工量測骨料粒徑,采用自動篩分機替代人工篩網(wǎng),實現(xiàn)快速高精度的密度測試和級配分析,預(yù)期提高檢測精度,檢測時間節(jié)約40%以上,有力推動碾壓施工自動化水平的提高。

3 研究內(nèi)容

3.1 基于激光掃描的試坑體積快速測量

采用三維激光掃描技術(shù)以非接觸測量方式獲取試坑表面輪廓的點云數(shù)據(jù),通過數(shù)據(jù)坐標轉(zhuǎn)換、點云去噪、數(shù)據(jù)拼接等方法,分析并計算點云信息,并在此基礎(chǔ)上,對試坑開挖表面進行3D建模[6],高效率高精度地得到試坑的三維體積數(shù)據(jù)。具體步驟如下:

1)采集激光掃描數(shù)據(jù):使用激光掃描設(shè)備對坑進行掃描,生成.las數(shù)據(jù)。本項研究使用徠卡BLK 2 GO三維激光掃描儀[7]。

2)點云數(shù)據(jù)處理:對點云數(shù)據(jù)進行去噪、濾波、配準等處理,提高數(shù)據(jù)質(zhì)量和精度[8]。

去噪:本項研究使用基于曲率流的去噪算法,利用曲率流場作為去噪工具,通過分析曲率流場的演化方程和擴散過程,達到去噪的目的。其中演化方程描述了曲率流場中每個點的運動規(guī)律,通過計算每個點的曲率速度和法向速度,得到該點的運動速度和方向。擴散過程則是通過逐步擴散去噪,將噪聲點逐步去除,同時保持點云數(shù)據(jù)的幾何特征?；谇柿鞯娜ピ胨惴梢杂行У厝コc云數(shù)據(jù)中的噪聲和異常值,提高數(shù)據(jù)質(zhì)量和精度。濾波:本項研究使用雙邊濾波算法[9],用于平滑圖像并保留邊緣細節(jié)。配準:本項研究使用迭代最近點(ICP)算法,通過迭代過程找到待配準點云與參考點云之間的最優(yōu)剛體變換[10]。

3)生成網(wǎng)格模型:使用點云數(shù)據(jù)生成三角網(wǎng)格模型,進行體積計算。

4)計算體積:將試坑模型分割為若干個小的子模型,并對每個子模型進行體積計算,最終將各個子模型的體積相加得到坑的總體積。

簡易代碼:

1)將點云數(shù)據(jù)讀取到pyntcloud對象中(pyntcloud庫):

from pyntcloud import PyntCloud

cloud = PyntCloud.from_file("point_cloud_data.ply")

其中point_cloud_data.ply是點云數(shù)據(jù)文件名;

2)進行點云數(shù)據(jù)處理,包括去噪、濾波、配準等操作(pyntcloud庫)。

# 去噪

cloud = cloud.get_sample("poisson_disk_sampling", n_points=50000)

# 濾波

cloud = cloud.get_filter("radius", 0.2)

# 配準

cloud.estimate_normals()

cloud.orient_normals_consistent_tangent_plane(k=10)

cloud = cloud.get_sample("random", n=10000)

3)生成三角網(wǎng)格模型(pyntcloud庫)。

mesh = cloud.to_mesh()

4)計算體積(trimest庫)。

import trimesh

volume = mesh.volume

激光掃描試坑體積計算的精度取決于坑的復(fù)雜程度、掃描精度、計算精度。通過算量或者算力的提升,精度會大大超過挖坑灌水法方案。

3.2 基于圖像處理的大顆粒骨料粒徑識別

對于人工采集的試坑填筑料進行初步篩選,將大顆粒骨料(大于100 mm,目測約拳頭大小以上)進行攤鋪識別其粒徑。

大顆粒骨料粒徑識別由骨料分割模塊、骨料粒徑判別模塊和flask框架實現(xiàn)。采用Python語言開發(fā),支持window與linux部署環(huán)境。

3.2.1 骨料分割模塊

骨料分割模塊是骨料處理系統(tǒng)中的關(guān)鍵部分,它的主要任務(wù)是從原始骨料中準確提取出不同類型和規(guī)格的石頭。為了實現(xiàn)這一目標,我們采用了深度學(xué)習(xí)技術(shù),構(gòu)建了一個高效的語義分割模型[11]。

該模型基于國內(nèi)自主研發(fā)的深度學(xué)習(xí)框架Paddlepaddle設(shè)計[12]。Paddlepaddle是中國首個自主研發(fā)、功能豐富、開源開放的深度學(xué)習(xí)框架,功能強大、易用性強,為模型開發(fā)提供強大的支撐。在模型設(shè)計上,我們注重輕量化,以確保在保證性能的同時,能夠?qū)崿F(xiàn)快速的推理速度,滿足骨料處理的實時性要求。

在模型訓(xùn)練之前,我們進行了數(shù)據(jù)仿真生成。由于真實的骨料環(huán)境復(fù)雜多變,使用實測數(shù)據(jù)訓(xùn)練模型可能會導(dǎo)致泛化能力不足。通過數(shù)據(jù)仿真,我們可以生成各種不同光照、顏色、形狀的骨料圖像,模擬各種實際場景下的骨料分布情況。這些仿真數(shù)據(jù)與真實數(shù)據(jù)結(jié)合,為模型訓(xùn)練提供了豐富而全面的數(shù)據(jù)集。

訓(xùn)練過程中,我們采用了優(yōu)化算法中的梯度下降法[13]對模型進行訓(xùn)練和調(diào)優(yōu)。梯度下降法主要用于求解無約束最優(yōu)化問題。它通過不斷地沿著函數(shù)梯度的負方向更新參數(shù),逐步逼近函數(shù)的最小值。梯度下降法的核心思想是在每一步迭代中,根據(jù)當前點的梯度信息,沿著負梯度的方向更新參數(shù),直到滿足收斂條件。具體的更新公式為:

θ(t+1)=θ(t)-α×▽θ(t)。

其中,θ(t)為參數(shù)向量在時刻t的值;α為學(xué)習(xí)率;▽θ(t)為時刻t的梯度向量。學(xué)習(xí)率決定了每次更新的步長,學(xué)習(xí)率越大,步長越長,可能導(dǎo)致算法不收斂;學(xué)習(xí)率越小,步長越短,收斂速度可能較慢。通過梯度算法對模型參數(shù)的不斷調(diào)整和優(yōu)化,我們確保了模型能夠逐漸逼近最優(yōu)解,提高骨料提取的準確率。

訓(xùn)練完成后,我們進行了嚴格的測試。測試中,我們模擬了各種光照環(huán)境下的骨料分布情況,對模型進行了多輪測試和性能評估。測試結(jié)果表明,我們的算法在各種光照環(huán)境下都能保持較高的準確率,能夠適應(yīng)復(fù)雜多變的骨料提取任務(wù)。

3.2.2 骨料粒徑判別模塊

骨料粒徑判別模塊是基于OpenCV[14]庫實現(xiàn)的一個核心組件,用于精確地識別和測量骨料的粒徑。

1)基于分割算法的二值化提取。骨料分割算法是此模塊的關(guān)鍵步驟之一,它的目的是將骨料從圖像中準確地分割出來。骨料分割算法基于顏色、形狀、紋理等特征,根據(jù)骨料和背景之間的差異,將圖像轉(zhuǎn)換為二值化形式,其中骨料呈現(xiàn)為白色,而背景呈現(xiàn)為相反的顏色[15]。

2)連通域提取。在二值化圖像中,每個骨料通常會形成一個連通域,即像素相連的區(qū)域。通過提取這些連通域,可以進一步分析每個骨料的特性。在OpenCV中,使用函數(shù)findContours來提取連通域[16]。這個過程將識別出所有獨立的骨料,并為后續(xù)處理準備數(shù)據(jù)。

3)分水嶺算法分割粘連骨料。對于某些情況下,骨料之間可能存在粘連,這使得簡單的連通域提取無法準確區(qū)分它們。為了解決這個問題,可以采用分水嶺算法進行更精細的分割。分水嶺算法基于像素的灰度值或梯度等信息,將圖像中的區(qū)域劃分為不同的部分。在OpenCV中,使用watershed函數(shù)實現(xiàn)分水嶺算法。通過應(yīng)用分水嶺算法,可以更精確地分離出粘連的骨料,提高后續(xù)處理的準確性[17]。

4)標定物尺寸計算與換算系數(shù)。為了準確地測量骨料的尺寸,需要使用標定物進行換算。標定物的尺寸是已知的,可以通過測量其在圖像中的尺寸來計算換算系數(shù)。通過比較標定物的實際尺寸和其在圖像中的尺寸,可以計算出縮放系數(shù)或比例因子,用于將像素單位轉(zhuǎn)換為實際尺寸單位。

5)最小外接圓直徑提取與真實尺寸判定。對于每個連通域(即骨料),需要提取其最小外接圓直徑。這一步通過對連通域進行輪廓分析來實現(xiàn)。在OpenCV中,使用minAreaRect函數(shù)找到輪廓的最小外接矩形,然后計算其直徑。根據(jù)換算系數(shù),可以將最小外接圓直徑轉(zhuǎn)換為實際的骨料尺寸。根據(jù)設(shè)定的尺寸閾值,可以判定骨料的粒徑區(qū)間。

3.2.3 flask框架

骨料粒徑識別系統(tǒng)的接口部署采用flask框架實現(xiàn)[18],flask框架是一個輕量級的Web應(yīng)用框架,使用Python編寫。它簡單、靈活并且易于擴展。flask的核心是一個WSGI工具箱和Jinja2模板引擎,與其他框架相比,flask的API和源碼非常簡潔易懂[19]。

骨料粒徑識別系統(tǒng)根據(jù)http接口傳入的圖片,調(diào)用骨料分割算法和骨料粒徑識別算法進行識別,最后將識別結(jié)果保存為圖片,返回圖像URL,供檢測人員查看。

3.3 小粒徑骨料自動篩分機

對于剔除大粒徑后剩余填筑料,由于包含細顆粒,難以采用圖形識別方式自動獲取級配特征,需要利用細顆粒自動篩分系統(tǒng)進行精確篩分[20]。取一定重量的細顆粒填筑料,置于篩分系統(tǒng)最上層,啟動電源后進行自動篩分并繪制細顆粒級配曲線。

設(shè)備原理:采用直線傾斜加振動電機激振配合實現(xiàn)自動篩分。振動源提供振激力使粗粒料在篩網(wǎng)上拋起,同時在直線重力傾角的作用下,向下前方做直線運動。粗粒料從上料口均勻地進入篩分系統(tǒng)。通過多層篩網(wǎng)分離出不同規(guī)格的粗粒料。每層粗粒料逐層進入稱重料倉稱重。

設(shè)備介紹:1)設(shè)備整體采用高頻振動的方式,實現(xiàn)骨料與篩底一直處于半接處的狀態(tài),振動電機采用三防電機,振激力1.0 kN兩臺。2)設(shè)備整體結(jié)構(gòu)設(shè)計成傾斜式,通過振動,調(diào)節(jié)傾斜角度,實現(xiàn)自動篩分的目的,傾角通過驅(qū)動器驅(qū)動電缸實現(xiàn)0°～45°之間,無級調(diào)節(jié)。3)設(shè)備結(jié)構(gòu)下部采用不銹鋼結(jié)構(gòu),上部采用航空鋁框架,篩子采用不銹鋼材料,激光打孔(篩孔孔徑:100 mm,80 mm,60 mm,40 mm,20 mm,10 mm,5 mm),篩底與主框架設(shè)計成獨立結(jié)構(gòu),每一層篩底都實現(xiàn)在側(cè)面更換,篩底通過鎖口鎖死,實現(xiàn)篩底與框架一體,篩子尺寸:400 mm×1 800 mm。4)設(shè)備整體質(zhì)量不超過150 kg。5)設(shè)備倒料部分設(shè)計成電磁開關(guān),當篩分結(jié)束后,通過控制逐層打開電磁開關(guān),通過一個通道直接進入稱重通道。6)稱重部分采用一個傳感器,自下而上逐層稱重。傳感器精度50 kg/0.5 g。7)整體電控自動化控制部分,采用PLC控制,工控觸摸屏操控,控制部分與主機支持兩種聯(lián)接方式:WIFI、數(shù)據(jù)線。8)控制方式:設(shè)備開機,按下開始按鍵,振動電機開始振動,傾角電機自動調(diào)節(jié)到設(shè)定角度,開始進行篩分。篩分至設(shè)定時間結(jié)束自動停機,按下稱重按鍵,進入自動稱重模式,電磁開關(guān)自動逐級打開,自動完成稱重、計錄、繪制級配曲線、上傳稱重信息。

4 結(jié)論

通過對比和分析多種堆石壩密度檢測方法,堆石壩快速檢測技術(shù)在實際工程中具有顯著的優(yōu)勢。使用三維激光掃描技術(shù)能夠快速、準確地獲取試坑表面的點云數(shù)據(jù),通過數(shù)據(jù)分析和處理,可以高效率地計算出試坑的三維體積。這種方法具有非接觸、高精度和非破壞性的特點,可以滿足大規(guī)模堆石壩密度檢測的需求。同時,結(jié)合圖像智能識別和小粒徑骨料自動篩分技術(shù),可以進一步提高檢測精度和效率。這些技術(shù)的應(yīng)用,有望推動堆石壩施工和運行水平的提升,為保障水利工程安全提供有力支持。