王 娜，張偉偉，常 紅

(太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院，太原 030024)

基于寬頻導(dǎo)波檢測錨桿脫粘缺陷的數(shù)值仿真

王 娜，張偉偉，常 紅

(太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院，太原 030024)

將低頻超聲導(dǎo)波應(yīng)用于在役錨桿脫粘的無損檢測，難點(diǎn)在于錨桿與周圍介質(zhì)的相互影響，使導(dǎo)波的傳播具有復(fù)雜性，從而增加了導(dǎo)波信號分析的難度。將選擇寬頻信號為激勵(lì)信號，首先對寬頻信號在深埋錨桿中的傳播特性進(jìn)行分析，然后將測試信號進(jìn)行小波包分解，發(fā)現(xiàn)不同的缺陷形式對寬頻信號中不同頻段的響應(yīng)具有明顯的特征。但由于脫粘缺陷和響應(yīng)信號特征之間并不是單調(diào)關(guān)系，因此結(jié)合BP神經(jīng)網(wǎng)絡(luò)技術(shù)，建立測試信號與缺陷特征之間的對應(yīng)關(guān)系，來實(shí)現(xiàn)對錨桿脫粘缺陷檢測。最后，分析不同噪聲水平對識別結(jié)果的影響。文中方法對于噪聲水平小于5%的檢測信號，具有較好的識別結(jié)果。

錨桿；寬頻導(dǎo)波；無損檢測;小波包；神經(jīng)網(wǎng)絡(luò)

近年來，錨桿在礦山、公路、水利水電等建設(shè)工程中的應(yīng)用十分廣泛[1-5]。錨桿作為一種受力的構(gòu)件，且大部分的錨桿錨固屬于隱蔽工程，因此對其進(jìn)行安全性檢測具有一定的難度。人們對錨桿錨固質(zhì)量進(jìn)行檢測時(shí)，采用的方法是拉拔法,這種方法具有破壞性，不適合實(shí)地檢測，因此研究和開發(fā)錨桿施工質(zhì)量的新型無損檢測方法越來越受到研究人員和工程技術(shù)人員的關(guān)注[6-7]。1978年，瑞士的HF.Thurner[8]在檢測砂漿錨桿錨固的質(zhì)量時(shí)做了大量研究，并提出了超聲波檢測方法。到了80年代末，美國礦業(yè)局研制了一種基于發(fā)射和接收超聲波原理的頂板錨桿粘結(jié)力測定儀[9]。近年來，李義[10-11]等人對應(yīng)力反射波法進(jìn)行了研究，主要是把錨桿進(jìn)行了分段，找出了錨桿低端反射顯現(xiàn)，更重要的是研究出錨桿自由端長度與波長之間存在的定量關(guān)系，并且證明了應(yīng)力反射波的速度范圍，這一范圍是介于錨桿桿體波速和錨固介質(zhì)波速之間的。許明[12]在進(jìn)行錨桿的無損檢測時(shí)，運(yùn)用了巖石聲波測試技術(shù)，通過對錨桿的振動(dòng)效應(yīng)的測定，來估計(jì)和判斷錨桿的極限承載力，并將小波分析和神經(jīng)網(wǎng)絡(luò)等信號分析處理技術(shù)應(yīng)用到了較復(fù)雜檢測信號的分析中。鑒于超聲導(dǎo)波具有可沿結(jié)構(gòu)長度方向傳播，檢測距離長，并可同時(shí)檢測結(jié)構(gòu)內(nèi)部和表面缺陷的特點(diǎn)，超聲導(dǎo)波已廣泛應(yīng)用于在役管道[13-14]、金屬板[15-16]以及鋼軌[17-18]等材料的無損檢測。但由于導(dǎo)波的頻散特性，使得導(dǎo)波在檢測的過程中對各類缺陷的敏感性不同，因此需要預(yù)先選定導(dǎo)波的模態(tài)，所以確定激勵(lì)頻率成為一個(gè)關(guān)鍵問題，而此項(xiàng)工作的盲目性比較大，所以這個(gè)選擇的過程也給人們帶來了很大的困惑，人們最后嘗試著通過多次反復(fù)的試驗(yàn)來確定最佳激勵(lì)模態(tài)以及最佳激勵(lì)的頻率，這樣不僅會(huì)耗費(fèi)大量時(shí)間、精力，而且硬件資源問題也是很難解決的。但如果找一種寬頻信號[19]來作為激勵(lì)信號，那么就可以獲得在其頻帶范圍內(nèi)的任意的單頻激勵(lì)信號所對應(yīng)的響應(yīng)，需要預(yù)先選定相應(yīng)模態(tài)以及相應(yīng)頻率的問題也迎刃而解。將采集的信號進(jìn)行小波包分析和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，構(gòu)成一個(gè)適用于錨桿無損檢測的神經(jīng)網(wǎng)絡(luò)[20-22]。而到目前為止，基于神經(jīng)網(wǎng)絡(luò)對錨桿錨固質(zhì)量的研究主要是針對錨桿灌漿密實(shí)度以及錨桿有無缺陷，并不能對錨桿的缺陷位置進(jìn)行定位，若能進(jìn)一步對錨桿的缺陷位置進(jìn)行定位，將為工程中錨桿的無損檢測帶來極大的方便。

采用寬頻導(dǎo)波應(yīng)用于在役錨桿的脫粘無損定位檢測，其難點(diǎn)在于錨桿與周圍介質(zhì)將相互影響，使導(dǎo)波的傳播具有復(fù)雜性，增加導(dǎo)波信號分析的難度。通過研究寬頻信號在埋深錨桿中傳播特性分析，并將測試信號利用小波包分解，發(fā)現(xiàn)不同缺陷形式對寬頻信號中不同頻段的響應(yīng)具有明顯的特征。但由于缺陷和響應(yīng)信號特征之間并不是單調(diào)關(guān)系，因此，結(jié)合BP神經(jīng)網(wǎng)絡(luò)技術(shù)，建立了測試信號與缺陷特征之間的對應(yīng)關(guān)系，從而實(shí)現(xiàn)了錨桿的缺陷檢測。

1 數(shù)值模擬

圖1 錨桿示意圖(單位： mm)Fig.1 Anchor schematic (unit:mm)

如圖1所示，利用ANSYS-LSDYNA采用SOLID164單元對此模型進(jìn)行有限元數(shù)值模擬。選用錨桿模型為全長砂漿錨固巖石錨桿，錨桿直徑為0.02 m，全長1.8 m，錨固段長度為1.5 m，外露長度為0.3 m，錨固的介質(zhì)是水泥砂漿，砂漿層厚度為0.02 m，周圍介質(zhì)為巖石，模型邊界條件設(shè)置為右端固定且此次數(shù)值模擬錨桿使用非預(yù)應(yīng)力錨桿。為了能夠獲得較為準(zhǔn)確的數(shù)值仿真響應(yīng)結(jié)果，對缺陷周圍區(qū)域進(jìn)行了網(wǎng)格細(xì)化。在工程上錨桿的塑形變形較大會(huì)導(dǎo)致錨桿失效，并且當(dāng)錨桿處于工作段時(shí)，其塑形變形一般很小，是可以忽略不計(jì)的，因此本文將錨桿當(dāng)作線彈性體，材料的其它參數(shù)如表1：

在錨桿頂端施加掃描寬頻信號激勵(lì)波f(x)，f從10 kHz到100 kHz，步長取1 kHz，信號持續(xù)時(shí)間為0.614 ms.在外露端0.01 m處進(jìn)行接收。激勵(lì)波信號如式(1)所示，圖2為此激勵(lì)波信號時(shí)域和頻譜分析圖。

(1)

表1 材料的力學(xué)參數(shù)

Tab.1 The Material mechanics parameters

密度(kg/m3)彈性模量(GPa)泊松比錨桿78502100．3水泥2240300．2巖石2500400．25

圖2 激勵(lì)信號的時(shí)域和頻譜分析圖Fig.2 Excitation signal in the time domain and frequency spectrum analysis

錨桿與水泥之間產(chǎn)生剝離將引起測試信號的變化，不同剝離狀態(tài)對不同頻率的信號敏感特性不同，因此可根據(jù)這一特性進(jìn)行剝離狀態(tài)識別。本文將結(jié)合BP神經(jīng)網(wǎng)絡(luò)，利用錨桿超聲導(dǎo)波檢測信號進(jìn)行剝離位置識別。選用同一種錨桿，錨桿損傷均為環(huán)向剝離，改變剝離位置。在長度方向?qū)⒙袢氩糠肿宰笙蛴移骄鶆澐譃?0區(qū)域，各區(qū)域長0.15 m.為了獲得足夠的訓(xùn)練樣本，各損傷區(qū)域內(nèi)再平均劃分10種缺陷，每處缺陷長0.015 m，總計(jì)測試100組數(shù)據(jù)。為了簡便，將每種算例標(biāo)記為 (i-j)，其中，i表示缺陷區(qū)域且i=I,II,…X，j表示缺陷區(qū)域內(nèi)的工況編號且j=1,2,…10.利用ANSYS-LSDYNA動(dòng)力學(xué)分析模塊進(jìn)行求解，設(shè)置求解步長為5×10-6，圖3(a)和(b)分別給出了完好算例和算例 (VII-7)(即損傷區(qū)域VII中第7種工況)以及算例(IV-6)的時(shí)域結(jié)果比較圖。

由上圖可以看出，對于不同的損傷情況，其測試信號會(huì)存在一定的差別，但很難直接依據(jù)測試信號識別錨桿缺陷，因此需要對測試信號進(jìn)行進(jìn)一步的分析處理。采用小波包分解可以對信號進(jìn)行高、低頻分解，從而獲得不同缺陷對不同頻率信號的響應(yīng)特征，依此來進(jìn)行缺陷識別。鑒于該目的，將得到的測試信號進(jìn)行小波包分解，利用各頻段的信號能量構(gòu)造神經(jīng)網(wǎng)絡(luò)的輸入向量，通過訓(xùn)練，從而獲得適用于錨桿無損檢測的神經(jīng)網(wǎng)絡(luò)。

2 小波包分解與神經(jīng)網(wǎng)絡(luò)

當(dāng)錨桿埋入部分存在缺陷時(shí)，由于位置不同必將引起不同頻率信號的改變。小波包分析可以同時(shí)對信號進(jìn)行低頻、高頻分解，考慮到錨桿中不同缺陷形式對不同頻率的敏感特性，采集各種工況下的超聲導(dǎo)波信號，將信號進(jìn)行小波包4層分解，得到16個(gè)頻帶。 圖4 (a)、(b)、(c)、(d)分別描述的算例I-7，III-9，VI-4，VII-6與完好錨桿的各個(gè)頻帶內(nèi)能量對比圖。

從圖中可以看出：在頻帶2,7,11,12以及15,16內(nèi)，有缺陷錨桿比完好錨桿的能量值小，而在其它頻帶內(nèi)，有缺陷錨桿比完好錨桿的能量值大。對不同缺陷的錨桿檢測信號進(jìn)行小波包分解后，相同頻帶內(nèi)信號的能量有著明顯的區(qū)別，這說明損傷對不同的頻率范圍具有顯著的敏感性，為了進(jìn)一步對缺陷進(jìn)行損傷定位，本研究將利用神經(jīng)網(wǎng)絡(luò)建立不同損傷特征與小波能譜之間的關(guān)系。

圖3 算例VII-9和 IV-5時(shí)域結(jié)果圖Fig.3 The time domain results of VII-9& IV-5

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要包括有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)兩種模式。有導(dǎo)師學(xué)習(xí)主要是在訓(xùn)練期間有外部老師告訴網(wǎng)絡(luò)每個(gè)輸入向量應(yīng)該對應(yīng)的輸出向量，目的就是減少實(shí)際輸出向量和預(yù)期輸出向量之間的誤差。而無導(dǎo)師學(xué)習(xí)是指在沒有任何進(jìn)一步指導(dǎo)的情形下，構(gòu)建其內(nèi)部表征，在網(wǎng)絡(luò)內(nèi)部對其性能進(jìn)行自適應(yīng)調(diào)節(jié)。錨桿的無損檢測需要輸入向量對應(yīng)相應(yīng)的輸出，本文將采用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行訓(xùn)練。

將錨桿反射信號進(jìn)行4層小波包分解，且其能量作為神經(jīng)網(wǎng)絡(luò)的輸入向量。以錨桿缺陷位置定義ψm作為輸出向量，本例中由于設(shè)置損傷為10個(gè)區(qū)域，所以m=1,2,3…10. 且向量ψm輸出向量為10個(gè)分量，假設(shè)第i個(gè)區(qū)域有損傷，則設(shè)輸出向量中第i個(gè)參數(shù)為1，其余分量均為0，如式(2)：

(2)

圖4 完好錨桿和有缺陷錨桿的能量對比圖 Fig.4 The comparison of energy between perfect and defective anchor

3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

小波包分解后每個(gè)頻帶內(nèi)的能量eni如式(3)：

(M=1,2....k,k∈N)

(3)

式中：n——缺陷編號，N——分解層數(shù)，M——每個(gè)頻帶內(nèi)的速度幅值個(gè)數(shù)。

將eni作為網(wǎng)絡(luò)輸入層神經(jīng)元，ψm作為網(wǎng)絡(luò)輸出層神經(jīng)元。一般情況下，三層網(wǎng)絡(luò)就可以很好地去解決一般模式的識別問題[23]。建立錨固系統(tǒng)無損檢測的BP神經(jīng)網(wǎng)絡(luò)模型，其中tansig()為隱含層神經(jīng)元的傳遞函數(shù)，logsig()為輸出層神經(jīng)元傳遞函數(shù)。如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型Fig.5 The BP neural network model

這里隱含層的神經(jīng)元個(gè)數(shù)n2與輸入層的神經(jīng)元個(gè)數(shù)n1之間有如下的近似關(guān)系[23]，

n2≈2n1+1

(4)

針對于本例，按照下列方式來進(jìn)行神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為16個(gè)，輸出層神經(jīng)元個(gè)數(shù)為10個(gè)，隱含層的神經(jīng)元個(gè)數(shù)依據(jù)式(5)近似為33個(gè)，設(shè)其初始為33.此次網(wǎng)絡(luò)訓(xùn)練，隱含層的神經(jīng)元是經(jīng)過實(shí)際訓(xùn)練的檢驗(yàn)來不斷調(diào)整的，以滿足最后的需要。

在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，設(shè)定均方誤差函數(shù)如式(5)：

(5)

dnk表示輸出層第n個(gè)節(jié)點(diǎn)的期望輸出，ynk表示網(wǎng)絡(luò)實(shí)際輸出，q表示輸出神經(jīng)元個(gè)數(shù)。進(jìn)行網(wǎng)絡(luò)訓(xùn)練后，如圖6為此BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練過程誤差曲線。

圖6 誤差變化曲線Fig.6 The error of curve

由圖6可以看出，該模型在經(jīng)過132次訓(xùn)練之后達(dá)到設(shè)定誤差值。經(jīng)過不斷調(diào)整，最后確定隱含層的神經(jīng)元個(gè)數(shù)為35時(shí)，訓(xùn)練的網(wǎng)絡(luò)就基本可以達(dá)到要求。經(jīng)過多次試驗(yàn)得出，在誤差設(shè)定值為0.001時(shí)，該BP神經(jīng)網(wǎng)絡(luò)模型具有良好的損傷識別檢驗(yàn)性，網(wǎng)絡(luò)的性能達(dá)到要求。

4 損傷識別

為了驗(yàn)證所訓(xùn)練的網(wǎng)絡(luò)可進(jìn)行剝離區(qū)域識別，利用上述訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對任意的收集到數(shù)據(jù)進(jìn)行預(yù)測。而在實(shí)際工程應(yīng)用中，在信號獲取和傳輸過程中會(huì)有噪聲影響，考慮式(7)描述的噪聲模型:

s'=s+EpσsN

(6)

其中，s'表示含噪聲信號，s表示動(dòng)態(tài)響應(yīng)信號，N表示滿足(0,1)正態(tài)分布的隨機(jī)數(shù)組，σs表示動(dòng)態(tài)響應(yīng)信號s的標(biāo)準(zhǔn)方差，EP表示噪聲水平。隨機(jī)抽取前述10個(gè)損傷區(qū)域中任意兩種工況，添加5%的噪聲，并將其作為驗(yàn)證算例。其識別結(jié)果如表2所示。其中Dii=1,2,3...10表示損傷在第i區(qū)域。由表2可知，I-8的預(yù)期輸出應(yīng)該為區(qū)域I，而實(shí)際輸出為區(qū)域I，通過分析其他缺陷區(qū)域的預(yù)期與實(shí)際輸出，可知在一定的噪聲水平范圍內(nèi)有良好的識別結(jié)果。再以損傷在區(qū)域I中的數(shù)據(jù)I-8與和區(qū)域VII中的數(shù)據(jù)VII-9為例，分別添加1%，3%，5%，7%，10%的噪聲，識別結(jié)果如表3.

表2 加噪網(wǎng)絡(luò)預(yù)測結(jié)果

Tab.2 The predicted results after adding noise by network

工況損傷I?8I?10II?2II?7III?4III?8IV?1IV?10V?5V?7D10．95430．96010．00070．00000．00000．00000．00000．00040．00000．0008D20．00000．00060．96480．94940．00000．0010．00000．00070．00000．0000D30．00000．00000．00000．00310．96840．95110．00100．00000．00000．0000D40．00010．00000．00000．00000．00000．00040．95980．98020．00230．0001D50．00000．00000．00000．00010．00000．00130．00060．00000．96570．9634D60．00000．00000．00000．00000．00010．00000．00000．00000．00000．0010D70．00200．00100．00000．00000．00000．00060．00180．00000．00000．0000D80．00000．00000．00000．00010．00000．00090．00000．00000．00000．0000D90．00060．00050．00000．00090．00000．00150．00000．00040．00000．0003D100．00000．00000．00100．00000．00000．00000．00040．00000．00020．0000

工況損傷VI?4VI?7VII?2VII?9VIII?5VIII?6XI?3XI?8X?4X?7D10．00040．00000．00000．00010．00000．00000．00120．00030．00000．0008D20．01000．00160．00000．00000．00000．00000．00000．00210．00000．0000D30．00000．00000．00000．00000．00000．00000．00040．00000．00000．0019D40．00000．00020．00000．00010．00000．00050．00000．00000．00410．0013D50．00000．00000．00030．00000．00000．00000．00000．00060．00070．0000D60．97280．96960．00000．00000．00000．00000．00070．00000．00150．0000D70．00000．00090．95450．96640．00000．00000．00670．00000．00000．0010D80．00030．00000．00000．00060．95910．98020．00000．00000．00080．0000D90．00000．00030．00000．00000．00120．00000．96130．97190．00000．0003D100．00000．00000．00000．00000．00000．00100．00020．00040．95790．9500

表3 I-8與VII-9在不同噪聲水平下預(yù)測結(jié)果對比

Tab.3 The prediced results of I-8&VII-9 under the different noise levels

噪聲水平損傷I?8VII?9I?8VII?9I?8VII?9I?8VII?9I?8VII?91%3%5%7%10%D10．98000．00010．97320．00070．95430．00010．87930．00010．38750．0001D20．00000．00000．00000．00500．00000．00000．00000．43870．00000．6956D30．00000．00300．00000．00000．00000．00300．00000．00000．00000．0000D40．00560．00010．00010．00210．00010．00010．00010．00010．00010．0001D50．00000．00070．00000．00000．00000．00000．49720．00000．78300．0000D60．00000．00000．00000．00000．00000．00000．00000．00000．00000．0000D70．00410．98520．00000．97130．00200．96640．00000．80130．00000．2646D80．00000．00060．00000．00060．00000．00060．00100．00060．00000．0006D90．00010．00080．00000．16820．00060．00000．00940．15410．00000．0021D100．00000．00200．00190．00000．00000．00000．00180．00000．00000．0000

由表3可知，當(dāng)噪聲水平為7%與10%時(shí)，I-8實(shí)際輸出區(qū)域?yàn)镮、V，而與預(yù)期輸出區(qū)域的I不對應(yīng)，VII-9的實(shí)際輸出區(qū)域?yàn)镮I、VII，與預(yù)期輸出區(qū)域VII也不對應(yīng)，可知損傷識別結(jié)果不好。

通過多組計(jì)算實(shí)驗(yàn)，得出在噪聲水平超過5%時(shí)，損傷識別結(jié)果不佳。因此，在一定的噪聲水平范圍內(nèi)，該BP網(wǎng)絡(luò)對錨桿無損檢測的預(yù)測模型合理，錨桿缺陷預(yù)測數(shù)據(jù)可靠，可以用于工程中對錨桿剝離缺陷的定位識別。

5 結(jié) 論

結(jié)合小波包分解和BP神經(jīng)網(wǎng)絡(luò)發(fā)展了一種寬頻超聲導(dǎo)波檢測錨桿錨固完整性的無損檢測方法，從錨桿動(dòng)態(tài)響應(yīng)信號的收集到小波包分解再到能量特征向量的提取，最后將這些特征向量輸入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其結(jié)果表明：錨桿錨固質(zhì)量可由寬頻信號的不同頻帶敏感性進(jìn)行檢測。噪聲水平不超過5%時(shí)，該方法可獲得較好的識別結(jié)果，實(shí)現(xiàn)了對錨桿脫粘缺陷的定位識別。數(shù)值算例驗(yàn)證了錨桿無損檢測的合理性。

[1] GUO ZHI-BIAO，WANG JIONG，ZHANG YUE-LIN. Failure mechanism and supporting measures for large deformationof Tertiary deep soft rock[J]. International Journal of Mining Science and Technology，2015 (25):121-126.

[2] 林觀茂,張麗娟,溫忠義.深基坑擴(kuò)大頭錨桿支護(hù)體系數(shù)值模擬[J]. 路基工程，2015(5):92-98.

[3] 田鵬,李波. 錨桿支護(hù)在水利水電工程地下廠房施工中的應(yīng)用[J]. 黑龍江水利科技，2014，42(4):170-171.

[4] VAN D，MEERS L，DONNELLY P，et al.Automated bolting and meshing on a continuous miner for roadway development[J]. International Journal of Mining Science and Technology，2013(23):55-61.

[5] 張嘉林.錨桿擋土墻施工技術(shù)在高速公路邊坡中的應(yīng)用[J]. 華東公路，2015(1):82- 83.

[6] 許明,張永興,陰可. 某隧道錨桿完整性的無損檢測方法[J]. 土木工程學(xué)報(bào)，2004,37(5):78-81.

[7] WANG MING-WU，WANG HE-LING. Nondestructive testing of grouted bolts system [J]. Chinese Journal of Geotechnical Engineering，2001.23(1):109-113.

[8] THURNER H F. Boltometer-Instument for nondestructive testing of grouted rock bolts[C]// International Symposium on Filed Measurements in Geomechanics. Rotterda-m:A. A. Balkema Publishers，1988:135-143.

[9] 許煜東,王軍平,尹學(xué)林. 錨桿無損檢測技術(shù)實(shí)驗(yàn)研究[J]. 水電勘測設(shè)計(jì),2003(2):19-22.

[10] 王成,揮壽榕,李義. 錨桿-錨固介質(zhì)-圍巖系統(tǒng)瞬態(tài)激勵(lì)的響應(yīng)分析[J]. 太原理工大學(xué)學(xué)報(bào)，2000，31(6)165-168.

[11] 張昌鎖，李義，趙陽升,等. 錨桿錨固質(zhì)量無損檢測中的激發(fā)波研究[J]. 巖石力學(xué)與工程學(xué)報(bào)，2006，25(6):1240-1245.

[12] 任智敏，李義.基于聲波測試的錨桿錨固質(zhì)量檢測信號分析與評價(jià)系統(tǒng)實(shí)現(xiàn)[J].煤炭學(xué)報(bào),2011,36(S1)191-196.

[13] SUN YA-JING，DAI BO. Research on ultrasonic guided wave testing pipeline corrosion based on wavelet transform[J].2013 25th Chinese Control and Decision Conference,2013.25:2802-2805.

[14] .武靜.基于杜芬方程的超聲導(dǎo)波檢測方法研究[D].太原：太原科技大學(xué),2014.

[15] JIAO JING-PIN，HE CUN-FU，WU BIN. Vibromodulation and guided wave techniques for contact defect detection in plate[J]. Chinese Junrnal of Acoustics，2011，30:33-43.

[16] 王永順，周省三.激光在楔形金屬板中激發(fā)超聲導(dǎo)波的實(shí)驗(yàn)研究[J]. 淮海工學(xué)院學(xué)報(bào):自然科學(xué)版,2011，20(3):15-18.

[17] 周建民,徐清瑤,李 鵬,等. 鋼軌無損檢測中的超聲導(dǎo)波技術(shù)[J]. 儀表技術(shù)與傳感器，2015(6):99-102.

[18] MARIANI S，NGUYEN T，PHILLIPS R R，et al. Noncontact ultra-sonic guided wave inspection of rails[J]. Structural Health Monitoring，2013(12):539-548．

[19] 鄧菲，陳洪磊，張僖. 基于寬頻激勵(lì)的管型結(jié)構(gòu)導(dǎo)波檢測[J]. 機(jī)械工程學(xué)報(bào)，2014(18):23-28.

[20] 劉明貴,岳向紅. 基于小波神經(jīng)網(wǎng)絡(luò)的錨桿錨固質(zhì)量分析[J]. 巖石力學(xué)與工程學(xué)報(bào)，2006，25(1):83-87.

[21] ANAMIKA Y，ALEENA S. A single ended directional fault section identifier and fault locator for double circuit transmission lines using combined wavelet and ANN approach[J]. Electrical Power and Energy Systems，2015,69:27-33.

[22] 陳建功,李 昕,張永興. 基于小波神經(jīng)網(wǎng)絡(luò)的錨桿圍巖結(jié)構(gòu)系統(tǒng)的識別[J]. 煤炭學(xué)報(bào)，2009，34(10):1333-1338.

[23] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社,2009.

NumericalSimulationoftheDefectionofAnchorDebondingDefectBasedonBroadbandGuidedWave

WANG Na, ZHANG Wei-wei, CHANG Hong

(College of Applied Science, Taiyuan University of Science and Technology,Taiyuan 030024, China )

The low-frequency ultrasonic guided wave was applied to debonding nondestructive testing of the anchoring bolt in service; the difficulty is that the bolt and the surrounding media will influence each other, so that the guided wave propagation is more complex, as well as increasing the difficulty of the analysis of the guided wave signal. The broadband signal was used as the excitation signal in this article, firstly, it is based on the broadband signal propagation characteristic of the anchor rod in the embedded depth, and the wavelet packet is used to decompose the test signal, it is obvious that the different defects have different frequency bands in the form of the broadband signal response characteristics. Because the defects and the response are not of monotonic relationship among the signal characteristics, therefore, combining wavelet packet decomposition and neural network, the corresponding relation between test signal and damage characteristics is established to realize the defect detection of the anchor. Furthermore, the tested pollution by noise was also used to identify the anchor integrity. The simulation showed an excellent identified results when noise level is less than 5%.

anchor bolt， broadband guided wave， nondestructive detection，wavelet packet， neural network

1673-2057(2018)01-0069-08

2016-09-06

山西省自然科學(xué)基金(2013011005-3);山西省青年科技研究基金(2015021017)；太原科技大學(xué)科技創(chuàng)新項(xiàng)目(20145008)

王娜(1988-)，女，碩士研究生，復(fù)合材料斷裂理論及結(jié)構(gòu)設(shè)計(jì)；通訊作者:常紅教授，Email:wyxwww@sohu.com

O3

A

10.3969/j.issn.1673-2057.2018.01.013