高层建筑施工过程混凝土工程质量控制研究

2024-02-23林月潭福建省五建建设集团有限公司福建泉州362200

砖瓦 2024年2期

林月潭（福建省五建建设集团有限公司，福建泉州 362200）

由于混凝土材料具有强度高、耐久性好、抗震和抗冲击能力强、可塑性优良、防水性能强等优点，混凝土成为建筑工程最为关键的建筑材料，是目前工程结构中使用最多的大宗材料。在建筑行业高速发展的我国，混凝土的产量占到全球混凝土总产量的50%[1]。由于混凝土的施工质量直接关系到建筑结构的安全性能、使用性能、抗震性能和耐久性能等，因此，高质量的混凝土浇筑施工是获得均匀、密实、内优外美的高品质建筑构件的关键。然而，混凝土的质量受到诸多因素的影响，包括原材料质量、施工环境、技术工艺、人员素质等，这些因素既有主观因素，又有客观因素，相互交叉和相互影响，使得现场混凝土工程质量的控制需要涉及全方位和全要素的管理[2-3]。

在计算机信息技术和传感器技术的发展下，土木工程行业也朝着数字化、智能化的方向发展。借助高速发展的人工智能技术和机器视觉技术，对混凝土的施工全过程进行机器监督和混凝土质量检测控制，可以起到事半功倍的效果，可以大大提高混凝土施工全过程的高效质量控制[4]。

研究依托福建省泉州市浦西城市综合体安置房——汀荣9#地块5#、6#楼工程，提出基于数字图像处理算法的混凝土质量检测和控制方法，在工程环境复杂的施工现场，运用高清摄像机对混凝土的下料和浇筑过程进行摄像，获得高精度的图像和视频，结合数字图像技术和深度学习方法，提取混凝土的图像特征，研究混凝土坍落度和混凝土标号的混凝土质量图像响应。相比于传统的人工混凝土质量检测方法，提出的混凝土质量控制方法具有简便快捷、成本低廉、检测分类高、成果数字化的优点，研究成果可以应用于土木工程领域混凝土的施工质量控制。

1 工程概况

浦西城市综合体安置房——汀荣9#地块5#、6#楼工程位于泉州市丰泽区泉秀街道，场地东侧为灯荣路，南侧为泉州市第七中学崇德校区及第七中学教师宿舍楼，西侧为多栋9层居民楼（桩基础），北侧为福厦公路。场地地貌为海基平原地貌。本工程结构为地下1层，地上21层的现浇混凝土框架-核心筒结构，最高建筑高度80m，总建筑面积54262.93m2。

本工程主要结构类型为现浇混凝土框架-核心筒结构，结构抗震设防烈度为7度，耐火等级为一级，防火类别为一类高层公共建筑，建筑工程设计等级为一级，功能布局为地下室平时为机械停车库及非机动车停车库。地下室（人防地下室）建筑面积约为5221.32m2，其中人防建筑面积（C区）为420.45m2，主体结构合理使用年限50 年。建筑施工涉及土建工程总量多，包括深基坑工程、主体结构高支模工程、主体结构钢筋混凝土工程等。建筑物详细特征情况见表1。

表1 建筑物详细特征情况

2 高层建筑混凝土工程施工质量控制技术要点

混凝土工程的质量控制技术要点包括原材料质量控制、配合比参数控制、混凝土浇筑质量控制。

2.1 原材料质量控制

原材料控制是混凝土工程重点，拌制混凝土的原材料主要包括水、水泥、粗细骨料和添加剂等。材料控制要点，其中生产所用水的pH值不小于4，硫酸盐含量≤1%。通用水泥分为硅酸盐水泥、普通硅酸盐水泥、粉煤灰硅酸盐水泥、矿渣硅酸盐水泥、火山灰质硅酸盐水泥、复合硅酸盐水泥[5]。各种水泥的适用范围见表2。

表2 各类水泥的适用范围和不适用范围对比

粗骨料应控制各级骨料的级配含量，最大粒径不超过钢筋净距的2/3，粗骨料粒径为40mm时，可以分成D20 和D40 两级粒径组合；当粗骨料粒径为80mm 时，可以分为D20、D40 和D80 三级粒径组合；当粗骨料粒径为150（120）mm 时，可以分为D20、D40、D80、D150（D120）四级粒径组合。细骨料应选择质地坚硬和级配良好的天然河沙，细骨料的含水率一般控制在6%以内，人工砂的细度模数控制在2.4～2.8，而天然砂的细度模数控制在2.2～3.0。在拌制混凝土过程中加入外加剂，用以改善混凝土性能的物质，掺量不大于水泥质量的5%[6]。

2.2 配合比参数控制

配合比的参数孔应满足工程设计的强度要求，设计的混凝土与所处环境的耐久性要求相匹配，并满足和易性要求，主要控制参数如水灰比、水胶比、砂率、骨料粒径、胶凝材料种类和掺合料种类等应进行严格控制。一般而言，在用水量方面，水泥水化需要的水仅是总质量的23%左右，用水量应控制水泥颗粒能够充分扩散、逐步完成水化反应[7]。在没有加入减水剂时，混凝土坍落度变化20mm，用水量随之变化5kg/m3左右，加入减水剂后，用水量按3kg/m3左右变化。混凝土坍落度每增加20mm，浆体用量将增加10L/m3，胶凝材料用量也就相应增加20kg/m3左右。

2.3 混凝土浇筑质量控制

当混凝土运至现场后，应尽快安排浇筑入模。粗骨料粒径大于25mm时，浇筑倾落高度不超过3m，粗骨料粒径小于等于25mm，浇筑倾落高度不超过6m。混凝土振捣应遵循“快插慢拔”的原则，振捣时间控制在20s～30s之间，插点之间的间距为振动棒作用半径的1.5倍，插点与模板的距离保持150mm～200mm。每台混凝土输送泵的最大理论排量为50m3/h，混凝土的流淌坡度保持在1:8的自然状态。

3 基于深度学习的高层建筑施工过程混凝土工程质量控制方法

3.1 基于深度学习的混凝土质量控制算法

在高层建筑施工过程中，混凝土的控制节点主要为原材料的下料区域、施工拌合区域和混凝土浇筑区域，经过质量控制参数以及现场图像的输入和数字化处理，建立目标质量控制模型，并以修改的YOLOv3-tiny方法重构图像分类模型，最后以U-Net模型分类器，输出质量控制结果，如图1所示。

图1 高层建筑混凝土工程施工质量控制全流程算法

对原材料的下料区域、施工拌合区域和混凝土浇筑区域的如图2～图4所示。

图2 原材料下料区

图3 混凝土拌合区

图4 混凝土浇筑区

在混凝土原料的下料区，由于骨料在仓库料斗之间的出口出现快熟倾泻状态，对图像的捕捉完成后，首先对对象进行二值化，见式（1）；随后可以采取高斯滤波的方法对噪点进行滤除，其计算方法见式（2）。

式中Dn(x,y)为差分图像；fn(x,y)、fn-1(x,y)为图像中相邻2个像素点的灰度值；T为滤波设定的阈值。

当一个像素点的灰度梯度值超过maxVal（T值上限），则像素点被认为是边缘点，而对于一个像素点的灰度梯度值小于minVal（T值下限），则像素点被认为非边缘点。

YOLOv3在处理速度和准确性方面表现出色，使其成为实时目标质量监测任务的理想选择。相比之前的算法，尤其是针对小目标，YOLOv3-tiny 的精度有显著提升。对于每一幅输入图像，YOLOv3-tiny会预测三个不同尺度的输出，目的是检测出不同大小的目标。

3.2 试验结果与分析

试验以骨料的含水率、混凝土的坍落度为例，在质量控制训练中运用普通的图像分类卷积神经网络模型以及研究中的U-Net 模型进行训练和机器学习，并以1083 个样本数量进行质量控制输出，以传统的人工质量检测为基准，判别算法的质量控制准确性，结果如图5所示。

图5 骨料含水率、混凝土的坍落度的质量控制准确率

从图5（a）中可以看出，普通卷积神经网络模型的骨料含水量质量控制准确率变化范围为76.44%～85.39%，总体准确率为80.24%；而U-Net模型的骨料含水量质量控制准确率变化范围为80.34%～93.45%，总体准确率为87.9%。U-Net 模型的骨料含水量在质量控制中等、良好和优秀的准确率上均大于普通卷积神经网络模型。

从图5（b）中可以看出，普通卷积神经网络模型的混凝土坍落度质量控制准确率变化范围为77.9%～89.7%，总体准确率为82.6%；而U-Net模型的混凝土坍落度质量控制准确率变化范围为87.5%～92.3%，总体准确率为90.8%。U-Net 模型的混凝土坍落度在质量控制中等、良好和优秀的准确率上均大于普通卷积神经网络模型。