蔡榮生，董東雪，王利楠

(中國(guó)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(duì)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(yùn)行過程中,密實(shí)度是衡量其質(zhì)量的關(guān)鍵指標(biāo)之一。然而,如果堆石壩的密實(shí)度不足,可能會(huì)導(dǎo)致一系列嚴(yán)重問題,如壩體強(qiáng)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(huì)影響工程效益,更會(huì)對(duì)人民生命財(cái)產(chǎn)安全構(gòu)成嚴(yán)重威脅。因此,對(duì)堆石壩密度進(jìn)行檢測(cè)顯得尤為重要,不僅有助于及時(shí)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(diǎn)探討堆石壩密實(shí)度的快速檢測(cè)方法,旨在為相關(guān)工作提供有價(jià)值的參考。

1 堆石壩檢測(cè)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(cè)帶來了不小的挑戰(zhàn)。為了確保堆石體的質(zhì)量,密實(shí)度的檢測(cè)和評(píng)估顯得尤為重要。目前,主要有兩種方法用于此項(xiàng)工作:直接法和間接法[1]。

間接法主要包括壓實(shí)沉降觀測(cè)法、碾壓試驗(yàn)法、連續(xù)壓實(shí)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(zhǔn)確性,但它們難以評(píng)估結(jié)構(gòu)內(nèi)部的密實(shí)狀態(tài)。例如,壓實(shí)沉降觀測(cè)法和碾壓試驗(yàn)法雖然能夠較為準(zhǔn)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(duì)結(jié)構(gòu)內(nèi)部的密實(shí)狀態(tài)進(jìn)行定性評(píng)價(jià)。而連續(xù)壓實(shí)控制法和承載板法則可以定量評(píng)價(jià)壓實(shí)狀態(tài),但僅限于結(jié)構(gòu)表面的壓實(shí)狀態(tài),無法檢測(cè)出結(jié)構(gòu)深處的填石料密實(shí)度[2]。

近年來,面波勘探檢測(cè)作為一種新型的勘探檢測(cè)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(qiáng)度、彈性模量等力學(xué)參數(shù)的良好相關(guān)性,通過檢測(cè)堆石體中的波傳播速度來評(píng)估密實(shí)度。該方法具有操作簡(jiǎn)便、探測(cè)速度快等優(yōu)點(diǎn),且對(duì)檢測(cè)場(chǎng)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(dāng)顆粒級(jí)配變化較大時(shí),面波檢測(cè)密實(shí)度的精度可能會(huì)受到影響,此外,檢測(cè)指標(biāo)的選擇和標(biāo)準(zhǔn)的制定等問題也需要進(jìn)一步探討和解決[4]。

直接法主要是坑測(cè)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(duì)準(zhǔn)確可靠。然而,挖坑灌水法試驗(yàn)也存在一些局限性。首先,該方法檢測(cè)效率低下、費(fèi)時(shí)費(fèi)力,并具有一定的破壞性。在壩體填筑高峰期,會(huì)影響施工進(jìn)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(jì)算不準(zhǔn)確等問題,從而影響測(cè)試結(jié)果的準(zhǔn)確性。

2 研究目標(biāo)

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(shí)際,從試坑法全自動(dòng)化多角度出發(fā),采用激光掃描快速計(jì)算試坑體積替代灌水量測(cè)體積法,采用圖形智能識(shí)別骨料粒徑替代人工量測(cè)骨料粒徑,采用自動(dòng)篩分機(jī)替代人工篩網(wǎng),實(shí)現(xiàn)快速高精度的密度測(cè)試和級(jí)配分析,預(yù)期提高檢測(cè)精度,檢測(cè)時(shí)間節(jié)約40%以上,有力推動(dòng)碾壓施工自動(dòng)化水平的提高。

3 研究?jī)?nèi)容

3.1 基于激光掃描的試坑體積快速測(cè)量

采用三維激光掃描技術(shù)以非接觸測(cè)量方式獲取試坑表面輪廓的點(diǎn)云數(shù)據(jù),通過數(shù)據(jù)坐標(biāo)轉(zhuǎn)換、點(diǎn)云去噪、數(shù)據(jù)拼接等方法,分析并計(jì)算點(diǎn)云信息,并在此基礎(chǔ)上,對(duì)試坑開挖表面進(jìn)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(duì)坑進(jìn)行掃描,生成.las數(shù)據(jù)。本項(xiàng)研究使用徠卡BLK 2 GO三維激光掃描儀[7]。

2)點(diǎn)云數(shù)據(jù)處理:對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行去噪、濾波、配準(zhǔn)等處理,提高數(shù)據(jù)質(zhì)量和精度[8]。

去噪:本項(xiàng)研究使用基于曲率流的去噪算法,利用曲率流場(chǎng)作為去噪工具,通過分析曲率流場(chǎng)的演化方程和擴(kuò)散過程,達(dá)到去噪的目的。其中演化方程描述了曲率流場(chǎng)中每個(gè)點(diǎn)的運(yùn)動(dòng)規(guī)律,通過計(jì)算每個(gè)點(diǎn)的曲率速度和法向速度,得到該點(diǎn)的運(yùn)動(dòng)速度和方向。擴(kuò)散過程則是通過逐步擴(kuò)散去噪,將噪聲點(diǎn)逐步去除,同時(shí)保持點(diǎn)云數(shù)據(jù)的幾何特征。基于曲率流的去噪算法可以有效地去除點(diǎn)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(xiàng)研究使用雙邊濾波算法[9],用于平滑圖像并保留邊緣細(xì)節(jié)。配準(zhǔn):本項(xiàng)研究使用迭代最近點(diǎn)(ICP)算法,通過迭代過程找到待配準(zhǔn)點(diǎn)云與參考點(diǎn)云之間的最優(yōu)剛體變換[10]。

3)生成網(wǎng)格模型:使用點(diǎn)云數(shù)據(jù)生成三角網(wǎng)格模型,進(jìn)行體積計(jì)算。

4)計(jì)算體積:將試坑模型分割為若干個(gè)小的子模型,并對(duì)每個(gè)子模型進(jìn)行體積計(jì)算,最終將各個(gè)子模型的體積相加得到坑的總體積。

簡(jiǎn)易代碼:

1)將點(diǎn)云數(shù)據(jù)讀取到pyntcloud對(duì)象中(pyntcloud庫(kù)):

from pyntcloud import PyntCloud

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

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

2)進(jìn)行點(diǎn)云數(shù)據(jù)處理,包括去噪、濾波、配準(zhǔn)等操作(pyntcloud庫(kù))。

# 去噪

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

# 濾波

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

# 配準(zhǔn)

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(kù))。

mesh = cloud.to_mesh()

4)計(jì)算體積(trimest庫(kù))。

import trimesh

volume = mesh.volume

激光掃描試坑體積計(jì)算的精度取決于坑的復(fù)雜程度、掃描精度、計(jì)算精度。通過算量或者算力的提升,精度會(huì)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(shí)別

對(duì)于人工采集的試坑填筑料進(jìn)行初步篩選,將大顆粒骨料(大于100 mm,目測(cè)約拳頭大小以上)進(jìn)行攤鋪?zhàn)R別其粒徑。

大顆粒骨料粒徑識(shí)別由骨料分割模塊、骨料粒徑判別模塊和flask框架實(shí)現(xiàn)。采用Python語(yǔ)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(zhǔn)確提取出不同類型和規(guī)格的石頭。為了實(shí)現(xiàn)這一目標(biāo),我們采用了深度學(xué)習(xí)技術(shù),構(gòu)建了一個(gè)高效的語(yǔ)義分割模型[11]。

該模型基于國(guó)內(nèi)自主研發(fā)的深度學(xué)習(xí)框架Paddlepaddle設(shè)計(jì)[12]。Paddlepaddle是中國(guó)首個(gè)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(qiáng)大、易用性強(qiáng),為模型開發(fā)提供強(qiáng)大的支撐。在模型設(shè)計(jì)上,我們注重輕量化,以確保在保證性能的同時(shí),能夠?qū)崿F(xiàn)快速的推理速度,滿足骨料處理的實(shí)時(shí)性要求。

在模型訓(xùn)練之前,我們進(jìn)行了數(shù)據(jù)仿真生成。由于真實(shí)的骨料環(huán)境復(fù)雜多變,使用實(shí)測(cè)數(shù)據(jù)訓(xùn)練模型可能會(huì)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(shí)際場(chǎng)景下的骨料分布情況。這些仿真數(shù)據(jù)與真實(shí)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(duì)模型進(jìn)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(fù)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(dāng)前點(diǎn)的梯度信息,沿著負(fù)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×▽?duì)?t)。

其中,θ(t)為參數(shù)向量在時(shí)刻t的值;α為學(xué)習(xí)率;▽?duì)?t)為時(shí)刻t的梯度向量。學(xué)習(xí)率決定了每次更新的步長(zhǎng),學(xué)習(xí)率越大,步長(zhǎng)越長(zhǎng),可能導(dǎo)致算法不收斂;學(xué)習(xí)率越小,步長(zhǎng)越短,收斂速度可能較慢。通過梯度算法對(duì)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(zhǔn)確率。

訓(xùn)練完成后,我們進(jìn)行了嚴(yán)格的測(cè)試。測(cè)試中,我們模擬了各種光照環(huán)境下的骨料分布情況,對(duì)模型進(jìn)行了多輪測(cè)試和性能評(píng)估。測(cè)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(zhǔn)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(kù)實(shí)現(xiàn)的一個(gè)核心組件,用于精確地識(shí)別和測(cè)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(zhǔn)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(gè)骨料通常會(huì)形成一個(gè)連通域,即像素相連的區(qū)域。通過提取這些連通域,可以進(jìn)一步分析每個(gè)骨料的特性。在OpenCV中,使用函數(shù)findContours來提取連通域[16]。這個(gè)過程將識(shí)別出所有獨(dú)立的骨料,并為后續(xù)處理準(zhǔn)備數(shù)據(jù)。

3)分水嶺算法分割粘連骨料。對(duì)于某些情況下,骨料之間可能存在粘連,這使得簡(jiǎn)單的連通域提取無法準(zhǔn)確區(qū)分它們。為了解決這個(gè)問題,可以采用分水嶺算法進(jìn)行更精細(xì)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(shí)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(zhǔn)確性[17]。

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

5)最小外接圓直徑提取與真實(shí)尺寸判定。對(duì)于每個(gè)連通域(即骨料),需要提取其最小外接圓直徑。這一步通過對(duì)連通域進(jìn)行輪廓分析來實(shí)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(jì)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(shí)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(shí)別系統(tǒng)的接口部署采用flask框架實(shí)現(xiàn)[18],flask框架是一個(gè)輕量級(jí)的Web應(yīng)用框架,使用Python編寫。它簡(jiǎn)單、靈活并且易于擴(kuò)展。flask的核心是一個(gè)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(jiǎn)潔易懂[19]。

骨料粒徑識(shí)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(shí)別算法進(jìn)行識(shí)別,最后將識(shí)別結(jié)果保存為圖片,返回圖像URL,供檢測(cè)人員查看。

3.3 小粒徑骨料自動(dòng)篩分機(jī)

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

設(shè)備原理:采用直線傾斜加振動(dòng)電機(jī)激振配合實(shí)現(xiàn)自動(dòng)篩分。振動(dòng)源提供振激力使粗粒料在篩網(wǎng)上拋起,同時(shí)在直線重力傾角的作用下,向下前方做直線運(yùn)動(dòng)。粗粒料從上料口均勻地進(jìn)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(jìn)入稱重料倉(cāng)稱重。

設(shè)備介紹:1)設(shè)備整體采用高頻振動(dòng)的方式,實(shí)現(xiàn)骨料與篩底一直處于半接處的狀態(tài),振動(dòng)電機(jī)采用三防電機(jī),振激力1.0 kN兩臺(tái)。2)設(shè)備整體結(jié)構(gòu)設(shè)計(jì)成傾斜式,通過振動(dòng),調(diào)節(jié)傾斜角度,實(shí)現(xiàn)自動(dòng)篩分的目的,傾角通過驅(qū)動(dòng)器驅(qū)動(dòng)電缸實(shí)現(xiàn)0°～45°之間,無級(jí)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(jì)成獨(dú)立結(jié)構(gòu),每一層篩底都實(shí)現(xiàn)在側(cè)面更換,篩底通過鎖口鎖死,實(shí)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(jì)成電磁開關(guān),當(dāng)篩分結(jié)束后,通過控制逐層打開電磁開關(guān),通過一個(gè)通道直接進(jìn)入稱重通道。6)稱重部分采用一個(gè)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(dòng)化控制部分,采用PLC控制,工控觸摸屏操控,控制部分與主機(jī)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(jī),按下開始按鍵,振動(dòng)電機(jī)開始振動(dòng),傾角電機(jī)自動(dòng)調(diào)節(jié)到設(shè)定角度,開始進(jìn)行篩分。篩分至設(shè)定時(shí)間結(jié)束自動(dòng)停機(jī),按下稱重按鍵,進(jìn)入自動(dòng)稱重模式,電磁開關(guān)自動(dòng)逐級(jí)打開,自動(dòng)完成稱重、計(jì)錄、繪制級(jí)配曲線、上傳稱重信息。

4 結(jié)論

通過對(duì)比和分析多種堆石壩密度檢測(cè)方法,堆石壩快速檢測(cè)技術(shù)在實(shí)際工程中具有顯著的優(yōu)勢(shì)。使用三維激光掃描技術(shù)能夠快速、準(zhǔn)確地獲取試坑表面的點(diǎn)云數(shù)據(jù),通過數(shù)據(jù)分析和處理,可以高效率地計(jì)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(diǎn),可以滿足大規(guī)模堆石壩密度檢測(cè)的需求。同時(shí),結(jié)合圖像智能識(shí)別和小粒徑骨料自動(dòng)篩分技術(shù),可以進(jìn)一步提高檢測(cè)精度和效率。這些技術(shù)的應(yīng)用,有望推動(dòng)堆石壩施工和運(yùn)行水平的提升,為保障水利工程安全提供有力支持。