隧道衬砌背后缺陷无损检测方法的探讨

隧道穿越工程结构检测对保障隧道结构安全运营具有重要的作用,检测结果对于指导隧道维修加固、养护决策至关重要。其中衬砌背后缺陷检测是确定隧道结构安全的主要检测项目。本文主要就某油气穿越隧道衬砌背后空洞检测工程实例,通过对地质雷达无损检测、冲击映像法无损检测两种方法的介绍,提出以地质雷达无损检测初探缺陷位置,以冲击映像法探测缺陷的范围及程度的检测方法,以更好的对病害进行定量与定性分析,更准确的为后续养护决策提供依据。

基于探地雷达的隧道衬砌空洞检测方法

隧道衬砌内部空洞等病害检测已经成为隧道检修人员的主要工作之一。本文提出一种将探地雷达与深度学习相结合的隧道衬砌空洞检测方法,通过雷达探测和仿真模拟,得到大量衬砌雷达图像,并对图像进行标注和制作数据集。基于YOLOv5(You Only Look Once version 5)目标检测模型,结合数据集目标特征,提出一种检测衬砌空洞的算法,引入特征融合模块提高网络感受野,并采用K-means聚类算法提高检测准确率。通过现场检测,本文的检测方法准确率达到了97.7%,准确可靠,可在工程中进行应用。

基于SMR-RCNN网络的隧道衬砌缺陷智能识别研究

脱空和不密实是隧道衬砌最常见的两种病害。在这两种病害长期作用下会导致隧道出现破裂、渗漏水、钢筋锈蚀,最终造成隧道塌方等问题,严重威胁行车安全。采用探地雷达对隧道进行无损探测是发现这些病害或缺陷的常见方式,但大量雷达数据的人工识别存在着工作量大、效率低、强烈依赖人员的专业素养等问题。本文提出一种基于深度学习的隧道衬砌缺陷的自动检测方法——自监督多尺度池化区域卷积神经网络方法(Self-monitoring Multi-scale ROI Align Region Convolutional Neural Network,SMR-RCNN),以提高缺陷识别的效率,并减少主观因素的影响。在雷达探测隧道衬砌的实践中,数据量巨大,但缺陷样本却很少,这对训练神经网络是一个相当大的挑战。为此,设计了一种数据增强的方法来增加缺陷的样本数量,且使用一种自监督对比学习的网络模型来提取雷达数据的特征,然后将其迁移到改进后的Faster-RCNN网络模型中;最后,使用有标签的样本对改进的Faster-RCNN网络进行细调训练。实验结果表明,相较于传统的Faster-RCNN方法,本文提出的算法增强了神经网络对脱空和不密实两类缺陷的自动识别能力,在检测精度上得到了显著提高,mAP值提升了12%。

超声相控阵在隧道衬砌精细化检测中的应用

针对隧道衬砌精细化检测的需求,引入超声相控阵技术,该技术融合了超声波和相控阵的基本原理,通过加密布设测点,实现检测断面图像精确重构,并具备三维可视化成像功能。与传统超声波无损检测技术相比,该技术具有分辨力高、信噪比大、检测效率高、解译方便等优势。经在西部某高速铁路隧道开展超声相控阵检测技术试用,检测结果准确,成像效果好,可分辨钢筋分布等衬砌内部构造,并能用于衬砌背后脱空等缺陷的判断,是一种高精度的无损检测技术。

高铁隧道衬砌缺陷气动荷载影响研究

随着高铁列车运行速度的提高,气动荷载成为隧道结构重要的附加荷载,尤其是素混凝土二次衬砌存在初始缺陷时,气动荷载将对衬砌安全有较大影响。针对素混凝土二次衬砌存在初始裂纹和厚度不足缺陷的情况,分别采用基于断裂力学的数值流形方法和基于荷载-结构模型有限元法,对2种衬砌缺陷在气动荷载作用下的影响开展研究。研究结果表明:隧道素混凝土二次衬砌存在初始缺陷时,气动荷载对缺陷部位的耐久性和长期稳定性有很大影响;隧道衬砌存在裂纹时,在气动荷载作用下,裂纹尖端应力强度因子增大150%以上;衬砌厚度不足时,在气动荷载作用下,缺陷部位拉应力增大54%,衬砌处于“拉-压”循环受力状态。研究结果可为高铁隧道素混凝土结构的长期稳定性及耐久性设计提供参考。

基于改进YOLOv7模型的地铁隧道衬砌表观病害检测方法

针对地铁隧道内部光线昏暗,诸多附属设备与衬砌表观病害纹理及灰度近似,病害检测精度低的问题,提出了一种基于改进YOLOv7(You Only Look Once v7)的地铁隧道衬砌表观病害与附属设施的检测方法。在原YOLOv7模型的骨干部分引入混合卷积模块(Mixed Convolutional Module,ConvMixer)并增加了微小物体检测头,降低网络复杂度并提高对微小病害的敏感度;在原YOLOv7模型的颈部将路径聚合网络(Path Aggregation Network,PANet)替换为双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN),用于捕获全局特征信息,在隧道复杂环境下精确定位;在最大池化卷积(MaxPooling Convolution,MPC)模块中引入无参注意力机制(Simple Parameter Free Attention Mechanism,SimAM),给检测目标的特征矢量赋予三维权重,以增加检测精度。检测结果表明,本文提出的改进模型的检测准确率和召回率分别达到89.1%、87.8%,且权重文件大小仅为59.6 MB,检测速率为89帧/s。该模型在保证较高检测精度的同时降低了权重文件大小,提高了检测速率,适用于隧道巡检系统。

基于Mask R-CNN模型的铁路隧道衬砌机制砂混凝土裂缝视觉检测

铁路隧道衬砌结构裂缝图像具有复杂的灰度分布和变化特征,局部和全局的多特征信息会干扰跟踪方向和边界跟踪参数,模型可扩展性受限,检测准确率较低。为此,提出基于Mask R-CNN模型的铁路隧道衬砌机制砂混凝土裂缝视觉检测方法。首先输入分段线性变换后的砂混凝土裂缝图像,抽取阈值,生成连通域标识,再以像素点为背景点,在Mask R-CNN模型中,同时检测裂缝区域的位置和标记像素级的边缘掩膜,判定裂缝边界起点与裂缝宽度;然后进行累加视觉检测方法设计,按照裂缝的几何特征以及排序结果,求解裂缝长度,获得完整的裂缝轮廓。试验结果表明,所提方法可以较为完整地检测所有关键位置,裂缝参数信息检测准确率较高;迭代次数升高后,检测结果受到的影响较小,可扩展性得到了改善,可适应任务需求,具有较好的应用价值。

基于冲击回波法的隧道衬砌混凝土内部缺陷识别

衬砌混凝土结构层界面波传播过程复杂,传统方法不能准确识别混凝土内部缺陷。对此提出基于冲击回波法的隧道衬砌混凝土内部缺陷识别方法。用激振源敲击混凝土构件表面,采集弹性波P波,计算P波传播波速及频率,通过快速傅里叶变换(FFT)获取频谱交流分量。分析所有频谱信号(回波信号),获取空洞缺陷、蜂窝缺陷两种识别结果。由实验验证结果可知,冲击回波法识别空洞缺陷、蜂窝缺陷最大波幅误差分别为0.020 m、0.005 m,能够准确识别混凝土内部缺陷。

高速铁路隧道二次衬砌质量控制及缺陷预防施工技术研究

为解决二次衬砌质量突出问题,避免受裂缝、麻面等质量缺陷影响,制约高速铁路隧道正常运营。本文将基于问题导向法,聚焦高铁隧道二次衬砌施工常见质量通病问题,提出质量控制技术和缺陷预防技术,并结合实例,验证质量控制技术及缺陷预防施工技术的可行性。实践表明,在质量控制技术以及管理新思路的应用下,混凝土欠厚、拱顶脱空等缺陷率指数明显下降,已由25%及20%变为0%和5%,实用价值显著。

基于地质雷达图像解译的隧道衬砌检测探究

本文基于地质雷达图像解译,针对隧道衬砌质量缺陷检测应用开展研究。详细分析地质雷达的工作原理、检测方法和数据处理,并针对脱空缺陷和钢信号拾取问题提出了改进措施。通过优化地质雷达资料判识和数据处理,能够有效提高解译精确度,为隧道工程质量检测和安全管理提供重要指导。

隧道衬砌病害检测与整治措施分析

公路隧道建设工作随着施工工艺技术手段不断升级,也迈入了全新的阶段,不仅施工质量得到了提高,施工效率、施工成本等方面也在不断优化,但在公路隧道施工过程中依然有很多问题需要提高警惕。基于此,从衬砌病害问题入手,结合实际案例展开综合性分析,明确具体可行的整治措施,以求让隧道衬砌病害问题得到系统的解决,最大程度确保隧道公路的施工质量。

地质雷达在玉溪友谊隧道衬砌质量检测中的应用

友谊隧道通过地段工程地质及水文地质情况复杂,还存在顺层偏压、滑坡、溜等不良地质条件以及软土、岩盐、石膏、膨胀土等特殊岩土。通过地质雷达对友谊隧道衬砌进行衬砌厚度、钢筋(钢架)分布情况、衬砌背后回填密实度以及二衬混凝土强度等工程质量检测,检测结果可以直接反映隧道衬砌结构变化情况,对后期工程缺陷整治和验收提供数据支撑和方法指导。

隐伏质量缺陷对运营公路隧道衬砌结构安全的影响研究

为评价运营公路隧道隐伏缺陷对衬砌结构安全的影响,文章依托实际工程案例,通过无损检测手段分析了常见的隧道隐伏质量缺陷类型,并通过数值模拟手段,对缺陷状态下的衬砌结构安全性进行了定量化评价分析。得到以下结论:公路运营隧道主要隐伏病害为衬砌脱空、衬砌厚度不足、钢筋保护层厚度过大等3类;隐伏质量缺陷对结构安全系数的影响按照衬砌脱空、衬砌厚度不足、钢筋保护层厚度过大依次降低;组合质量缺陷对结构安全性影响非常大,应重点关注该类病害。

地铁隧道混凝土衬砌质量检测方法研究

随着城市地铁网络的不断扩张,地铁隧道的建设与维护变得尤为重要。混凝土衬砌是地铁隧道结构的关键组成部分,其质量直接影响隧道的安全性和使用寿命。该研究旨在探讨地铁隧道混凝土衬砌质量检测方法,重点关注了超声波法和雷达法这两种非破坏性检测方法。结果表明:超声波法主要用于测量混凝土的密度、声速、裂缝、包含水的情况,以及钢筋的深度和位置等表面和浅层参数;雷达法适用于检测混凝土结构的内部缺陷、钢筋的位置、混凝土层厚度等深层结构的信息。

地铁隧道衬砌混凝土检测试验探讨

为了确保地铁隧道工程的建设质量符合规定要求,应采取科学、合理的方式对衬砌混凝土进行检测。基于此,以某地铁隧道工程作为研究对象,通过对该工程简单介绍,进而以腐蚀检测为例,对地铁隧道衬砌混凝土检测试验进行分析,为地铁隧道衬砌施工提供技术支持。

基于改进YOLOv4的隧道衬砌裂缝检测算法

针对传统隧道衬砌裂缝检测手段中存在的检测精度低、泛化能力差、检测速度慢的问题,对YOLOv4目标检测算法进行改进:引入Mosaic数据增强技术对输入图片数据进行预处理;采用轻量级网络MobilenetV3取代CSPDarknet53作为YOLOv4神经网络的主干特征提取网络;将YOLOv4网络中卷积核大小为3×3的标准卷积替换为深度可分离卷积。为验证改进后算法的有效性和可靠性,采用Faster-RCNN、SSD、YOLOv3、YOLOv4四种算法进行对比验证分析,结果表明:该算法在检测性能方面表现优异,测试集的平均精度为78.05%,精确率以及召回率的加权调和平均值为84.44%,均高于其余四种算法。在模型大小方面,该算法模型的大小仅为55.1 MB,相对于原始YOLOv4模型压缩了78.0%,且远小于Faster-RCNN、SSD、YOLOv3模型。此外,该算法的单张图片的检测时间为23.75 ms,每秒帧数为42.1帧/s,很好地满足了隧道衬砌裂缝进行实时检测时移动设备对帧率的要求。且算法泛化能力良好,能够较为准确的对不同光照和复杂背景条件下的裂缝进行检测并标记。基于提出的改进YOLOv4算法构建隧道衬砌裂缝检测平台,实现对实际隧道工程中衬砌裂缝的准确、快速、智能化识别。

基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法

随着地铁隧道服役时间增长,隧道衬砌在多因素影响下病害频发,对隧道结构及临近附属设施造成不良影响,严重危及到行车安全。因此,亟需精确高效的地铁隧道病害及设施检测技术。然而,地铁隧道存在内部环境复杂,附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点,传统的人工巡检及数字图像处理方法均存在局限。针对上述问题,提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。针对设施及病害的位置特征引入坐标注意力(Coordinate attention)引导模型对目标区域赋予更高权重,抑制背景噪声;采用Bi FPN(Bi-directional Feature Pyramid Network)特征融合网络提升小目标病害检测效果;并利用Ghost Bottleneck替代部分卷积减少模型参数,提高检测效率。为验证改进后模型检测性能,进行现场实验,构建样本数量为843的地铁隧道衬砌图像数据集。并采用随机裁剪、镜像翻转等数据增强方法,将样本量扩充至4 072。数据集上的实验结果表明,改进模型的平均精度均值(m AP)可达89.2%,较原模型提高了3.7%,有效提升了隧道环境中小目标病害的检测效果。且模型参数减少了12%,更有利边缘端部署。相比于其他隧道检测模型,改进后的模型在综合性能上更具优势,可为地铁隧道衬砌病害实时检测和附属设施数字化提供技术支持。

严寒区高速铁路隧道工程衬砌质量缺陷检测与整治技术探讨

以严寒区高速铁路沿线上的高台隧道为工程背景,根据缺陷检测结果,提出严寒地区高速铁路隧道工程衬砌“多道防护,综合治理”原则。同时探讨了衬砌一般病害、结构补强、渗漏水等整治措施及其相关施工方案。基于大气降水渗入量法计算得到高台隧道正常涌水量接近600 m^(3)/d,最大涌水量接近1200 m^(3)/d。按照提出的整治措施进行处理后,隧道不再出现流水和喷水病害,渗水病害范围减少52%,隧道缺陷问题得到显著改善,后期服役性能良好。

基于YOLO v5-IBX网络模型的公路隧道衬砌裂缝检测方法研究

目的 针对传统隧道衬砌裂缝检测效率低、成本高、周期长以及当前基于计算机视觉、图像处理技术的裂缝智能检测方法效率低、精度低、检测结果不准确等问题,提出一种改进的网络模型YOLO v5-IBX对公路隧道衬砌裂缝进行智能检测。方法 在原始YOLO v5网络模型的检测层中新增一个低维尺度和在特征提取层中融入注意力机制,提高特征融合利用和对小目标的检测精度,降低网络参数的计算量,达到减少裂缝细节信息丢失的目的;对采集到的公路隧道衬砌裂缝图像,通过图像翻转、裁剪、调整图像饱和度、对比度等随机转换方式来进行数据增强,增加数据特征样本,建立数据集,以满足模型检测的需求;在建立的隧道衬砌裂缝数据集上进行试验,以精确率、召回率、计算平均精度及平均精度均值作为检测精度的综合评价指标,将笔者提出的网络模型YOLO v5-IBX与原始的YOLO v5等其他网络模型进行对比。结果 采用改进的网络模型YOLO v5-IBX检测隧道衬砌裂缝,在迭代300次的情况下,训练损失可以降到0.014,裂缝检测精度率达到97.8%左右,召回率达到97.7%左右,精度均值达到98.6%左右,均优于其他模型,检测精度得到有效提高。结论 相比较传统的人工检测方法和原始YOLO v5检测算法,改进的网络模型YOLO v5-IBX可以更快速、准确地识别出隧道衬砌裂缝,为隧道衬砌裂缝检测提供新的更加实用的检测方案。

自然条件下隧道衬砌浅层钢筋锈蚀的热效应与红外检测方法

隧道随着服役年限增加,衬砌渗漏水、开裂等病害已成常态,由此造成的钢筋锈蚀逐渐显现,钢筋锈蚀一定程度后将引起衬砌剥离剥落,因此,及时发现钢筋锈蚀程度及位置尤为重要。通过室内试验和数值模拟研究了自然温差条件下钢筋锈蚀衬砌的热传导规律,分析了衬砌内外温差、钢筋锈蚀程度对衬砌内表面温度分布的影响规律,探索了红外热成像技术检测衬砌浅层钢筋锈蚀的可行性和适用条件。结果表明:①衬砌内外温差1.0℃~11.9℃时红外检测具有可行性,冬季时衬砌内外温差可满足条件;钢筋锈蚀率为6.51%,19.02%和23.16%时红外检测所需的最小温差为3.8℃,1.8℃和1.4℃。②衬砌钢筋锈蚀率(ρ)与二次衬砌内表面温差(T_(1))、二次衬砌内外温差(T_(2))的关系式为ρ=1.1×10^(5)T_(2)^(-3.2)T_(1)^(3)+503.7T_(2)^(0.9T_(1))。衬砌内外温差为3~30℃时可检测的钢筋锈蚀率为9.78%~1.18%。③通过衬砌内外温差而产生的热传导效应,依据衬砌内表面温度分布可以综合判断钢筋锈蚀位置与锈蚀程度,为隧道衬砌浅层钢筋锈蚀提供了新的快速检测方法。