堆石坝压实密度快速检测方法的研究

蔡荣生，董东雪，王利楠

(中国水利水电第六工程局有限公司,山东 临朐 262600)

堆石坝作为一种广泛应用于水利工程中的坝体结构,其稳定性对于保障工程安全具有至关重要的作用。在堆石坝的施工和运行过程中,密实度是衡量其质量的关键指标之一。然而,如果堆石坝的密实度不足,可能会导致一系列严重问题,如坝体强度下降、裂缝和渗漏等,甚至可能引发溃坝事故。这些问题的出现不仅会影响工程效益,更会对人民生命财产安全构成严重威胁。因此,对堆石坝密度进行检测显得尤为重要,不仅有助于及时发现和解决潜在问题,更可以为保障工程安全提供有力支持。本文将重点探讨堆石坝密实度的快速检测方法,旨在为相关工作提供有价值的参考。

1 堆石坝检测现状

堆石体结构中的填石料,其粒径较大且颗粒分布不均,给质量检测带来了不小的挑战。为了确保堆石体的质量,密实度的检测和评估显得尤为重要。目前,主要有两种方法用于此项工作:直接法和间接法[1]。

间接法主要包括压实沉降观测法、碾压试验法、连续压实控制法、承载板法以及面波法。这些方法在控制施工过程中的质量方面具有一定的准确性,但它们难以评估结构内部的密实状态。例如,压实沉降观测法和碾压试验法虽然能够较为准确地控制结构填筑施工过程中的质量,但它们难以对结构内部的密实状态进行定性评价。而连续压实控制法和承载板法则可以定量评价压实状态,但仅限于结构表面的压实状态,无法检测出结构深处的填石料密实度[2]。

近年来,面波勘探检测作为一种新型的勘探检测手段逐渐受到关注[3]。它利用表面波传播速度与结构内部材料密度、强度、弹性模量等力学参数的良好相关性,通过检测堆石体中的波传播速度来评估密实度。该方法具有操作简便、探测速度快等优点,且对检测场地要求不高,能够一次获得与深度相关的地层剪切波速度参数。然而,当颗粒级配变化较大时,面波检测密实度的精度可能会受到影响,此外,检测指标的选择和标准的制定等问题也需要进一步探讨和解决[4]。

直接法主要是坑测法,即挖坑、称重和量体积[5]。这种方法虽然原始,但其结果相对准确可靠。然而,挖坑灌水法试验也存在一些局限性。首先,该方法检测效率低下、费时费力,并具有一定的破坏性。在坝体填筑高峰期,会影响施工进度。此外,由于堆石粒径大且不规则,采样过程中容易破坏其原状结构,导致采样坑不规则、边界不清、体积计算不准确等问题,从而影响测试结果的准确性。

2 研究目标

本课题拟从规范要求的试坑灌水法出发,结合工程实际,从试坑法全自动化多角度出发,采用激光扫描快速计算试坑体积替代灌水量测体积法,采用图形智能识别骨料粒径替代人工量测骨料粒径,采用自动筛分机替代人工筛网,实现快速高精度的密度测试和级配分析,预期提高检测精度,检测时间节约40%以上,有力推动碾压施工自动化水平的提高。

3 研究内容

3.1 基于激光扫描的试坑体积快速测量

采用三维激光扫描技术以非接触测量方式获取试坑表面轮廓的点云数据,通过数据坐标转换、点云去噪、数据拼接等方法,分析并计算点云信息,并在此基础上,对试坑开挖表面进行3D建模[6],高效率高精度地得到试坑的三维体积数据。具体步骤如下:

1)采集激光扫描数据:使用激光扫描设备对坑进行扫描,生成.las数据。本项研究使用徕卡BLK 2 GO三维激光扫描仪[7]。

2)点云数据处理:对点云数据进行去噪、滤波、配准等处理,提高数据质量和精度[8]。

去噪:本项研究使用基于曲率流的去噪算法,利用曲率流场作为去噪工具,通过分析曲率流场的演化方程和扩散过程,达到去噪的目的。其中演化方程描述了曲率流场中每个点的运动规律,通过计算每个点的曲率速度和法向速度,得到该点的运动速度和方向。扩散过程则是通过逐步扩散去噪,将噪声点逐步去除,同时保持点云数据的几何特征。基于曲率流的去噪算法可以有效地去除点云数据中的噪声和异常值,提高数据质量和精度。滤波:本项研究使用双边滤波算法[9],用于平滑图像并保留边缘细节。配准:本项研究使用迭代最近点(ICP)算法,通过迭代过程找到待配准点云与参考点云之间的最优刚体变换[10]。

3)生成网格模型:使用点云数据生成三角网格模型,进行体积计算。

4)计算体积:将试坑模型分割为若干个小的子模型,并对每个子模型进行体积计算,最终将各个子模型的体积相加得到坑的总体积。

简易代码:

1)将点云数据读取到pyntcloud对象中(pyntcloud库):

from pyntcloud import PyntCloud

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

其中point_cloud_data.ply是点云数据文件名;

2)进行点云数据处理,包括去噪、滤波、配准等操作(pyntcloud库)。

# 去噪

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

# 滤波

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

# 配准

cloud.estimate_normals()

cloud.orient_normals_consistent_tangent_plane(k=10)

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

3)生成三角网格模型(pyntcloud库)。

mesh = cloud.to_mesh()

4)计算体积(trimest库)。

import trimesh

volume = mesh.volume

激光扫描试坑体积计算的精度取决于坑的复杂程度、扫描精度、计算精度。通过算量或者算力的提升,精度会大大超过挖坑灌水法方案。

3.2 基于图像处理的大颗粒骨料粒径识别

对于人工采集的试坑填筑料进行初步筛选,将大颗粒骨料(大于100 mm,目测约拳头大小以上)进行摊铺识别其粒径。

大颗粒骨料粒径识别由骨料分割模块、骨料粒径判别模块和flask框架实现。采用Python语言开发,支持window与linux部署环境。

3.2.1 骨料分割模块

骨料分割模块是骨料处理系统中的关键部分,它的主要任务是从原始骨料中准确提取出不同类型和规格的石头。为了实现这一目标,我们采用了深度学习技术,构建了一个高效的语义分割模型[11]。

该模型基于国内自主研发的深度学习框架Paddlepaddle设计[12]。Paddlepaddle是中国首个自主研发、功能丰富、开源开放的深度学习框架,功能强大、易用性强,为模型开发提供强大的支撑。在模型设计上,我们注重轻量化,以确保在保证性能的同时,能够实现快速的推理速度,满足骨料处理的实时性要求。

在模型训练之前,我们进行了数据仿真生成。由于真实的骨料环境复杂多变,使用实测数据训练模型可能会导致泛化能力不足。通过数据仿真,我们可以生成各种不同光照、颜色、形状的骨料图像,模拟各种实际场景下的骨料分布情况。这些仿真数据与真实数据结合,为模型训练提供了丰富而全面的数据集。

训练过程中,我们采用了优化算法中的梯度下降法[13]对模型进行训练和调优。梯度下降法主要用于求解无约束最优化问题。它通过不断地沿着函数梯度的负方向更新参数,逐步逼近函数的最小值。梯度下降法的核心思想是在每一步迭代中,根据当前点的梯度信息,沿着负梯度的方向更新参数,直到满足收敛条件。具体的更新公式为:

θ(t+1)=θ(t)-α×▽θ(t)。

其中,θ(t)为参数向量在时刻t的值;α为学习率;▽θ(t)为时刻t的梯度向量。学习率决定了每次更新的步长,学习率越大,步长越长,可能导致算法不收敛;学习率越小,步长越短,收敛速度可能较慢。通过梯度算法对模型参数的不断调整和优化,我们确保了模型能够逐渐逼近最优解,提高骨料提取的准确率。

训练完成后,我们进行了严格的测试。测试中,我们模拟了各种光照环境下的骨料分布情况,对模型进行了多轮测试和性能评估。测试结果表明,我们的算法在各种光照环境下都能保持较高的准确率,能够适应复杂多变的骨料提取任务。

3.2.2 骨料粒径判别模块

骨料粒径判别模块是基于OpenCV[14]库实现的一个核心组件,用于精确地识别和测量骨料的粒径。

1)基于分割算法的二值化提取。骨料分割算法是此模块的关键步骤之一,它的目的是将骨料从图像中准确地分割出来。骨料分割算法基于颜色、形状、纹理等特征,根据骨料和背景之间的差异,将图像转换为二值化形式,其中骨料呈现为白色,而背景呈现为相反的颜色[15]。

2)连通域提取。在二值化图像中,每个骨料通常会形成一个连通域,即像素相连的区域。通过提取这些连通域,可以进一步分析每个骨料的特性。在OpenCV中,使用函数findContours来提取连通域[16]。这个过程将识别出所有独立的骨料,并为后续处理准备数据。

3)分水岭算法分割粘连骨料。对于某些情况下,骨料之间可能存在粘连,这使得简单的连通域提取无法准确区分它们。为了解决这个问题,可以采用分水岭算法进行更精细的分割。分水岭算法基于像素的灰度值或梯度等信息,将图像中的区域划分为不同的部分。在OpenCV中,使用watershed函数实现分水岭算法。通过应用分水岭算法,可以更精确地分离出粘连的骨料,提高后续处理的准确性[17]。

4)标定物尺寸计算与换算系数。为了准确地测量骨料的尺寸,需要使用标定物进行换算。标定物的尺寸是已知的,可以通过测量其在图像中的尺寸来计算换算系数。通过比较标定物的实际尺寸和其在图像中的尺寸,可以计算出缩放系数或比例因子,用于将像素单位转换为实际尺寸单位。

5)最小外接圆直径提取与真实尺寸判定。对于每个连通域(即骨料),需要提取其最小外接圆直径。这一步通过对连通域进行轮廓分析来实现。在OpenCV中,使用minAreaRect函数找到轮廓的最小外接矩形,然后计算其直径。根据换算系数,可以将最小外接圆直径转换为实际的骨料尺寸。根据设定的尺寸阈值,可以判定骨料的粒径区间。

3.2.3 flask框架

骨料粒径识别系统的接口部署采用flask框架实现[18],flask框架是一个轻量级的Web应用框架,使用Python编写。它简单、灵活并且易于扩展。flask的核心是一个WSGI工具箱和Jinja2模板引擎,与其他框架相比,flask的API和源码非常简洁易懂[19]。

骨料粒径识别系统根据http接口传入的图片,调用骨料分割算法和骨料粒径识别算法进行识别,最后将识别结果保存为图片,返回图像URL,供检测人员查看。

3.3 小粒径骨料自动筛分机

对于剔除大粒径后剩余填筑料,由于包含细颗粒,难以采用图形识别方式自动获取级配特征,需要利用细颗粒自动筛分系统进行精确筛分[20]。取一定重量的细颗粒填筑料,置于筛分系统最上层,启动电源后进行自动筛分并绘制细颗粒级配曲线。

设备原理:采用直线倾斜加振动电机激振配合实现自动筛分。振动源提供振激力使粗粒料在筛网上抛起,同时在直线重力倾角的作用下,向下前方做直线运动。粗粒料从上料口均匀地进入筛分系统。通过多层筛网分离出不同规格的粗粒料。每层粗粒料逐层进入称重料仓称重。

设备介绍:1)设备整体采用高频振动的方式,实现骨料与筛底一直处于半接处的状态,振动电机采用三防电机,振激力1.0 kN两台。2)设备整体结构设计成倾斜式,通过振动,调节倾斜角度,实现自动筛分的目的,倾角通过驱动器驱动电缸实现0°～45°之间,无级调节。3)设备结构下部采用不锈钢结构,上部采用航空铝框架,筛子采用不锈钢材料,激光打孔(筛孔孔径:100 mm,80 mm,60 mm,40 mm,20 mm,10 mm,5 mm),筛底与主框架设计成独立结构,每一层筛底都实现在侧面更换,筛底通过锁口锁死,实现筛底与框架一体,筛子尺寸:400 mm×1 800 mm。4)设备整体质量不超过150 kg。5)设备倒料部分设计成电磁开关,当筛分结束后,通过控制逐层打开电磁开关,通过一个通道直接进入称重通道。6)称重部分采用一个传感器,自下而上逐层称重。传感器精度50 kg/0.5 g。7)整体电控自动化控制部分,采用PLC控制,工控触摸屏操控,控制部分与主机支持两种联接方式:WIFI、数据线。8)控制方式:设备开机,按下开始按键,振动电机开始振动,倾角电机自动调节到设定角度,开始进行筛分。筛分至设定时间结束自动停机,按下称重按键,进入自动称重模式,电磁开关自动逐级打开,自动完成称重、计录、绘制级配曲线、上传称重信息。

4 结论

通过对比和分析多种堆石坝密度检测方法,堆石坝快速检测技术在实际工程中具有显著的优势。使用三维激光扫描技术能够快速、准确地获取试坑表面的点云数据,通过数据分析和处理,可以高效率地计算出试坑的三维体积。这种方法具有非接触、高精度和非破坏性的特点,可以满足大规模堆石坝密度检测的需求。同时,结合图像智能识别和小粒径骨料自动筛分技术,可以进一步提高检测精度和效率。这些技术的应用,有望推动堆石坝施工和运行水平的提升,为保障水利工程安全提供有力支持。