研究目的
利用激光多普勒测振仪和机器学习技术，开发一种非接触式、高速的混凝土结构损伤检测方法。
研究成果
采用卷积神经网络（CNN）进行机器学习，以频谱作为输入量。通过优化神经网络结构和数据预处理，能够以超过90%的高准确率区分混凝土的裂缝部分和完好部分。
研究不足
有缺陷部分与完好部分在频谱上的差异不大，难以人工确定统一的判别标准。实验结果未清晰显示出裂纹部分在低频区域预期的差异。
1：实验设计与方法选择：
采用激光多普勒测振仪获取混凝土结构的高信噪比振动数据，通过傅里叶变换将观测振动数据转换为频谱图，利用卷积神经网络的机器学习方法对频谱进行分类。
2：样本选择与数据来源：
检测对象为地震后产生裂缝的建筑物混凝土柱。
3：实验设备与材料清单：
使用配备CLV-700测头、CLV-1000控制器及Vib-Z-010数据采集单元的Polytec激光测振系统，通过Polytec VibSoft软件（3.3版）实现硬件控制、数据采集与后期处理。
4：3版）实现硬件控制、数据采集与后期处理。 实验流程与操作步骤：
4. 实验流程与操作步骤：固定激光测振仪与混凝土表面距离为30厘米，在距激光照射点约5厘米处用100克锤头的检测锤激发振动，采样频率设为25.6千赫兹，测量时长1.28秒（32768个数据点）。
5：6千赫兹，测量时长28秒（32768个数据点）。 数据分析方法：
5. 数据分析方法：通过VibSoft软件进行傅里叶变换，输出频率范围0-10千赫兹、分辨率0.78125赫兹（12800个数据点）的频谱图，采用卷积神经网络机器学习方法对频谱进行分类。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
laser vibrometer system
CLV-700 Head, CLV-1000 Controller, Vib-Z-010
Polytec
Obtaining the vibrations of a concrete structure at a high signal-to-noise ratio.
-
VibSoft software
version 3.3
Polytec
Hardware control, acquisition, and postprocessing.
-
inspection hammer
100 g head weight
Excitation of the concrete surface.
-
登录查看剩余1件设备及参数对照表
查看全部
