论文部分内容阅读
锚固支护具有成本低、效率高、性能好等诸多优点,在工程中得到了广泛应用。良好的锚杆支护效果是工程安全的保障,但是随着锚杆在工程中发挥作用,难免会出现各种各样的缺陷。灌浆作为锚杆锚固系统的重要组成部分,一旦发生严重的损坏,使得粘结力达不到要求,很可能影响支护效果,给工程安全带来威胁,因此判别锚杆锚固系统的灌浆是否存在缺陷很有必要。目前的缺陷识别方法大多基于信号处理技术,然后通过专业人员对波形的分析进行人工提取特征,存在费时费力、特征难以充分挖掘等问题。神经网络可以作为智能分类器来应用,通过非线性的激活函数可自动进行特征提取,为锚杆锚固系统的缺陷识别提供了新的研究方向。但运用神经网络来进行锚杆锚固系统的缺陷识别存在两方面的问题,首先,实际工程中锚杆锚固系统发生的缺陷很可能是数据库中没有的类型,因此具有未知的特征,这给判别锚杆锚固系统是否存在缺陷带来困难;其次,收集带标签的锚杆锚固系统的数据成本很高,而且以较少的有标签训练样本对缺陷情况进行识别是一个具有挑战性的问题。本文针对以上两个问题,提出了一种卷积生成对抗网络,并将其作为分类器对基于超声导波的锚杆锚固系统实验数据进行缺陷识别。主要研究内容如下:(1)根据一种完好的和三种带灌浆缺陷的锚杆锚固系统模型,搭建了锚杆锚固系统实验平台。利用基于磁致伸缩效应的超声导波法对四种锚杆锚固系统进行了数据采集,为后续的缺陷识别工作提供了数据基础。(2)针对浅层神经网络特征提取能力较差,仍需要额外特征提取步骤的问题,提出了一种基于卷积神经网络的端对端的锚杆锚固系统缺陷识别方法,此方法具有良好的特征学习能力,能够从原始的信号中自动学习和发现可利用的特征,然后对缺陷状况进行识别。此外,所提出的方法还引入了多尺度机制,进一步提高了特征学习的能力。(3)针对运用神经网络进行锚杆锚固系统缺陷识别存在的两个问题,首先利用生成对抗网络中生成器可以从噪声中生成类似真实数据的能力,丰富锚数据的多样性,以解决锚杆锚固系统的缺陷存在未知特征的问题。其次,有了生成器生成的假数据,原本没有标签的数据也就有了真实数据这一标签,可以辅助有标签样本学习整体数据的分布,实现半监督学习,解决了为实际工程中获得的波形数据标定标签较为困难,有监督的学习方式不能充分发挥作用的问题。并且,利用在锚杆锚固实验平台上采集的数据进行了实验验证,通过对不同算法和尺度的实验结果进行综合分析,证明了所提出方法的有效性。