下载文档原格式
基于改进支持向量机的微震初至波到时自动拾取方法李铁牛1， 胡宾鑫1， 李化坤2， 耿文成2， 郝鹏程3， 纪旭波4， 孙增荣3， 朱峰1， 张华1， 阳铖权1（1. 齐鲁工业大学（山东省科学院） 激光研究所，山东 济南 250300；2. 赤峰吉隆矿业有限责任公司,内蒙古 赤峰 024328；3. 山东盛隆安全技术有限公司，山东 济南 250032；4. 山东恒邦矿业发展有限公司，山东 烟台 264199）摘要：微震初至波到时拾取是实现微震震源高精度定位的重要前提。
传统的人工拾取方法效率低，而自动拾取方法在低信噪比条件下难以准确拾取初至波到时。
针对上述问题，提出了一种基于改进支持向量机（SVM ）的微震初至波到时自动拾取方法。
首先，对原始微震数据进行归一化处理、线性校正和适当裁剪，将微震数据的振幅、能量和相邻时刻的能量比作为特征对数据标记不同类别；然后采用粒子群优化（PSO ）算法和网格搜索法优化SVM 的惩罚参数和核函数参数，即先利用PSO 算法对参数进行大范围的快速定位，得到初步最优解，再以该解为初始位置重新构建参数搜索区间，设置小步长的网格搜索法对参数进行精细搜寻，得到最优参数，并将该最优参数代入SVM 模型进行训练，得到改进SVM 模型；最后根据改进的SVM 模型对微震数据进行分类识别，定义微震波第1个采样点对应的时刻为初至波到时。
采用某矿井下微震监测数据进行实验，结果表明：该方法对微震初至波到时的拾取准确率达96.5%，平均拾取误差为3.8 ms ，在低信噪比情况下仍可对微震初至波到时进行准确拾取，拾取精度高于自动拾取方法中常用的长短时窗能量比（STA/LTA ）法。
关键词：微震监测；微震初至波；初至波到时；支持向量机；网格搜索法；粒子群优化算法中图分类号：TD324 文献标志码：AAutomatic picking method of microseismic first arrival time based on improved support vector machineLI Tieniu 1, HU Binxin 1, LI Huakun 2, GENG Wencheng 2, HAO Pengcheng 3, JI Xubo 4, SUN Zengrong 3, ZHU Feng 1, ZHANG Hua 1, YANG Chengquan 1(1. Laser Research Institute, Qilu University of Technology(Shandong Academy of Sciences), Jinan 250300, China ；2. Chifeng Jilong Mining Co., Ltd., Chifeng 024328, China ； 3. Shandong Shenglong Safety Technology Co., Ltd.,Jinan 250032, China ； 4. Shandong Hengbang Mining Development Co., Ltd., Yantai 264199, China)Abstract : The microseismic first arrival time picking is an important prerequisite for the high-precision positioning of the microseismic source. The traditional manual picking method is inefficient. The automatic picking method is difficult to pick the arrival time of the first wave accurately under the condition of low signal-to-noise ratio. In order to solve the above problems, an automatic picking method of microseismic first arrival time based on improved support vector machine (SVM) is proposed. Firstly, the method carries out normalization processing, linear correction and proper clipping on original microseismic data. The method marks different categories of the data by taking the amplitude, the energy and the energy ratio of adjacent moments of the microseismic data as features. Secondly, the method adopts a particle swarm optimization (PSO) algorithm and a收稿日期：2022-05-30；修回日期：2023-03-09；责任编辑：盛男。
第29卷 第4期地 震Vo l.29,N o.4 2009年10月EA RT H Q U AK E O ct.,2009 有限频率地震层析成像方法及研究进展＊杨 峰,黄金莉(中国地震局地震预测研究所,北京 100036)摘要:本文从基于射线理论的走时地震层析成像的发展引出有限频率地震层析成像,说明两者最为本质的差别是有限频率灵敏度核函数。
概述了有限频率层析成像方法和基本原理,详细阐述了国内外有关有限频率层析成像方法的研究进展和应用成果,强调有限频率层析成像对全球地幔柱研究的重要意义,最后指出有限频率层析成像方法在理论上的诸多优点目前还没有在实际应用中得到充分体现,还存在一些问题需要解决。
关键词:有限频率层析成像;灵敏度核函数;宽频带地震波形;三维速度结构;地幔柱中图分类号:P315.7 文献标识码:A 文章编号:1000-3274(2009)04-0052-11引言 目前,地震波是研究地球内部结构最有效、分辨率最高的主要工具之一。
地震发生时所释放的部分能量以波的形式在地球内部传播,利用地震仪将地震波传到地表时的振动记录下来,并将不同位置台站所观测到的地震波走时与理论走时相互对比得到走时残差,通过反演大量地震射线的走时残差来得到地球内部速度结构图像的方法称为地震走时层析成像。
自70年代中期Aki等[1,2]提出地震走时层析成像方法以来,该方法得到了极大的发展,由网格参数取代了以往的分块模型,模型空间可存在多个复杂形状的间断面[3,4],并发展了非均匀网格参数化的方法[5]。
近年发表的一系列不同尺度的三维模型能清楚地勾画出俯冲板块及之上楔形地幔的图像、发现活火山前缘的低速体[4～7],对大地震震源区及断裂带两侧的精细结构清晰成像[8,9]。
地震走时层析成像是地震学家提供给地学界强有力的工具,它对地球科学的发展产生了重要的影响[10]。
但是,地震走时层析成像仍然存在缺陷,其研究方法都是建立在射线理论的基础上,即将地震波看作无限高频的光波,用一条狭窄的射线来代表地震波的传播路径。
大兴安岭隆起北段最小一维速度模型反演和地震重新定位张帆;韩晓明;李娟;王鑫;张晖;尹战军【摘要】使用2009-01-01～2017-03-30内蒙古地震台网和邻省台网记录的大兴安岭北段地区593个天然地震的3 848条P波到时数据,应用VELEST方法反演大兴安岭北段地壳一维P波速度模型、台站走时校正值和重新定位结果.联合反演获得的台站走时校正值反映了地壳速度的横向不均匀性及台站下方波速异常,大兴安岭北段东南侧速度高于西北侧;重新定位结果中,震中位置在空间上更加收敛;震源深度剖面图显示,大兴安岭北段西北侧震源深度较浅,东南侧较深,大兴安岭山脊区域震源深度分布下限较深.【期刊名称】《大地测量与地球动力学》【年(卷),期】2018(038)008【总页数】6页(P777-782)【关键词】大兴安岭;速度模型;VELEST;重新定位【作者】张帆;韩晓明;李娟;王鑫;张晖;尹战军【作者单位】内蒙古自治区地震局,呼和浩特市哲里木路80号,010010;内蒙古自治区地震局,呼和浩特市哲里木路80号,010010;内蒙古自治区地震局,呼和浩特市哲里木路80号,010010;内蒙古自治区地震局,呼和浩特市哲里木路80号,010010;内蒙古自治区地震局,呼和浩特市哲里木路80号,010010;内蒙古自治区地震局,呼和浩特市哲里木路80号,010010【正文语种】中文【中图分类】P315目前，常规的地震定位方法主要使用一维速度模型，在实际工作中，一维速度模型可以简化反演问题。
Kissling等[1]提出确定最佳一维速度模型的方法，可使定位结果的走时残差均方根最小、定位精度更高。
此速度模型称为最小一维速度模型，广泛应用于地震定位和初始速度模型的确定[2-5]。
近年来大兴安岭隆起北段地震活动频繁，发生过1980年博克图M5.6地震、1981年博克图M5.2地震和2008年鄂伦春M5.2地震等，中小地震活跃，研究该地区速度模型有重要意义。
远震相对走时数据快速计算方法及应用远震相对走时是一种地震波与另一次地震波之间的动态特性，通常
可以通过测量不同波到达的相对时间的变化来评估地震动的传播特性，远震相对走时可以为地球物理研究提供有效的线索。
有些地震相走时
计算涉及大量的数据，传统方法往往较为耗时长，不能满足实时分析
和工程中的科学研究和实际应用需要。
基于快速计算方法，数值模拟
方法和数据处理方法构建了具有较高准确性和可靠性的新型远震相对
走时计算工具。
该工具采用IDAHS（可逆累积和可逆累积和翻转算法）方法用于快速计算，加快了原始地震信号的移动和归一过程。
此外，
采用CVT（移动智能技术）方法用于运动垂直插值，以抵消运动模糊
的效应。
同时，在计算中，考虑了部分地表粗糙因素，以期优化计算
结果。
以上这种快速计算方法可以应用于精确地震运动特征评估及预测，对
区域地震动能量传播特征的分析，以及地表细节弱波反射和折射特性
的提取，还有发布防震等级的定量分类。
此外，快速计算方法也可用
于分析大规模远震录音信号，例如群波和错震，并利用他们来预测地
震活动。
在近年来，这种快速计算方法已经对防震减灾工作发挥了积
极作用，可以有效缩短评估时间，更加有效地响应灾害发生，降低灾
害损失。
同时，这种计算方法也引起了科学家研究地震计算方法，并
基于此来获得更多的新发现。
三维复杂速度模型中地震事件震源轨迹的计算赵爱华【期刊名称】《地球物理学报》【年(卷),期】2018(061)010【摘要】地球内部三维速度图像的广泛建立为进行高精度的地震定位提供了良好条件.使用震源轨迹确定震源位置不仅稳健而且直观,但三维复杂速度模型中的震源轨迹难以给出解析解.为此,本文提出了一种较准确地计算三维复杂速度模型中震源轨迹的数值方法.根据震源轨迹在残差场中的特点:(1)震源轨迹位于残差正负极性彼此不同的邻点之间;(2)绝对梯度在震源轨迹的法线方向最大;(3)在法线方向上越靠近震源轨迹残差绝对值越小,对于每个模型节点分别和残差正负极性与其不同的邻点组成的点对,将其中绝对梯度最大的点对作为震源轨迹法线点对,选取法线点对中残差绝对值较小的点(即震源轨迹所在模型单元的节点)作为震源轨迹代表点;在绝对残差场中数值较小的连通区域(可能有多个)内,利用最小走时树算法依次计算出每个连通区域中地震波从绝对残差最小点至同一连通区域内震源轨迹代表点的射线路径作为震源轨迹.算例表明:本文方法适用于三维复杂速度模型,对震源轨迹的稳定性及构成段数没有限制,计算的震源轨迹精细且较完整、可用于高精度的地震定位.【总页数】13页(P3994-4006)【作者】赵爱华【作者单位】中国地震局地球物理研究所,北京 100081【正文语种】中文【中图分类】P315【相关文献】1.复杂型面测量中测头中心的轨迹曲面及测半径的三维补偿 [J], 王建华;林其骏2.三维复杂速度模型中地震的快速精确定位 [J], 白超英;赵瑞;李忠生3.复杂介质地震定位中震源轨迹的计算 [J], 赵爱华;丁志峰;孙为国;王椿镛4.复杂介质地震定位中震源轨迹的计算 [J], 赵爱华;丁志峰;孙为国;王椿镛5.云计算模型在船体复杂结构件装配和三维建模中的应用 [J], 王雷;降华因版权原因，仅展示原文概要，查看原文内容请购买。
第50 卷第 11 期2023年11 月Vol.50，No.11Nov. 2023湖南大学学报（自然科学版）Journal of Hunan University（Natural Sciences）基于机器视觉和数字图像相关技术的混凝土损伤演化研究王青原1，2，3，许颖1，2，3†，钱胜1，2，3［1.哈尔滨工业大学（深圳）土木工程智能结构系统深圳市重点实验室，广东深圳 518055；2.哈尔滨工业大学（深圳）广东省土木工程智能韧性结构重点实验室，广东深圳 518055；3.哈尔滨工业大学（深圳）深圳市城市与土木工程防灾减灾重点实验室，广东深圳 518055］摘要：提出一种在试件损伤过程中，以数字图像方法所得应变场为基础，采用机器视觉识别快速获得对应损伤状态下试件表面裂缝分布的裂缝自动识别检测（Automated Crack De⁃tection and Measurement，ACDM）方法. 采用三点弯曲试验，以夹式位移计测量裂缝口张开位移（Crack Mouth Opening Displacement，CMOD）作为参考用真实值，对ACDM的精度进行分析. 结果显示，CMOD小于0.05 mm时，ACDM识别的误差小于0.01 mm，ACDM方法可用于分析微裂缝尺度的混凝土损伤情况. 通过3组不同强度混凝土立方体试件的压缩试验，采用ACDM方法所得裂缝面积直接表征损伤指标来反映试件的损伤演化情况. 结果表明，在宏观裂缝出现之前，在不同损伤阶段下由ACDM方法所得损伤指标，对应数值变化均大于10-3，与目前表征损伤应变场的不均匀性变异系数（C v）相比更为灵敏和准确.关键词：机器视觉技术；数字图像相关技术；混凝土；裂缝扩展；损伤中图分类号：TU528 文献标志码：AStudy on Damage Evolution of Concrete Specimens Based on Machine Vision and Digital Image Correlation TechnologyWANG Qingyuan1，2，3，XU Ying1，2，3†，QIAN Sheng1，2，3［1.Shenzhen Key Laboratory of Intelligent Structure System in Civil Engineering，Harbin Institute of Technology （Shenzhen），Shenzhen 518055，China；2.Guangdong Provincial Key Laboratory of Intelligent and Resilient Structures for Civil Engineering，Harbin Institute of Technology（Shenzhen），Shenzhen 518055，China；3.Shenzhen Key Laboratory of Urban Civil Engineering Disaster Prevention & Reduction，Harbin Institute of Technology （Shenzhen），Shenzhen 518055，China］Abstract：This paper presents an Automated Crack Detection and Measurement （ACDM）method，which is based on the strain field obtained by the Digital Image Correlation （DIC） method and uses machine vision recogni⁃tion to quickly obtain the distribution of cracks on the surface of the specimen in the corresponding damage state.∗收稿日期：2022-11-26基金项目：国家自然科学基金面上资助项目（52078173，51778191），National Natural Science Foundation of China（52078173，51778191）；深圳市重点实验室筹建启动项目（ZDSYS20200810113601005），Shenzhen Key Laboratory Launching Project（ZDSYS20200810113601005）作者简介：王青原（1991―），女，河南洛阳人，哈尔滨工业大学（深圳）博士研究生† 通信联系人，E-mail：*****************文章编号：1674-2974（2023）11-0169-12DOI：10.16339/ki.hdxbzkb.2023136湖南大学学报（自然科学版）2023 年Through three-point bending test， the Crack Mouth Opening Displacement （CMOD） value is obtained by the clip gauge and ACDM method， respectively. The CMOD was measured by the clip gauge as a reference. By analyzing the accuracy of this method， the results show that when CMOD was less than 0.05 mm， the identification error is less than 0.01 mm， and ACDM can be used to analyze the micro-crack concrete damage. Based on the compression tests of three groups of concrete cube specimens under different damage stages， the damage indexes obtained by ACDM method have corresponding numerical changes greater than 10-3， which is more sensitive and accurate than the cur⁃rent quantitative C v-value of strain field.Key words：machine vision technology；digital image correlation technique；concrete；crack propagation；damage混凝土结构的损伤破坏始于混凝土材料表面出现裂缝，裂缝的出现和扩展严重影响混凝土结构的强度和耐久性［1］. 研究表明，含复杂微裂缝的混凝土构件破坏过程中裂隙扩展情况复杂多变［2］. 混凝土结构复杂裂缝如果没有及时处理，极易发展成贯穿裂缝，从而对结构安全产生严重影响，故精准识别复杂动态裂缝的发展状况对于结构整体安全性十分重要［3］.工程中，建筑物构件表面的裂纹数据通常采用人工测量的方法测得［1，4］. 实验室环境中，位移传感器检测范围小，且难以测量裂缝扩展过程中的全长位移变化［3，5］. 数字图像相关（Digital Image Correla⁃tion，DIC）法的设备需求简单、对测量环境的要求低、测量范围广［6］，更适合土木工程的试验环境应用. DIC技术可用于获得应变场来判断应变集中区域或局部微损伤发生的位置，适宜用来研究破坏过程中的损伤演化［7］. 目前直接采用DIC方法进行裂缝局部数据的观测时，常设置若干个虚拟引伸计以获得关键位置处的裂缝宽度变化［8］，或对位移场数据构建开口位移矩阵（Opening Displacement Matrix，ODM）作为开裂量化指标［9］. DIC方法输出裂缝数据需人工判断应变集中区域并布设虚拟引伸计，对于复杂的裂缝模式，难以全面直观地获得裂缝量化数据.目前，在对土木工程的表面裂缝定量检测研究中引入图像处理技术［10-12］、深度学习［13］等识别方法. 国内外研究人员应用图像技术实现裂缝的像素级特征识别［11-12］. Rao等［14］提出一种利用卷积神经网络（Convolutional Neural Network，CNN）和非重叠窗口来识别混凝土结构的裂缝/非裂缝状态的自动裂缝检测方法，具有95%准确度；孙晓贺等［15］开发了基于改进的种子填充算法的混凝土裂缝图像识别系统，实现了将裂缝长宽值的误差控制在10%左右；滕晓丹等［13］采用深度学习方法建立的高延性水泥基材料裂缝识别检测方法与实际手工测量误差范围在0.6 mm 以内. 以上基于图像处理及机器学习方法的裂缝识别技术，大部分仅可实现特定状态下表面裂缝的测量，且精度为整像素级别. 深度学习相关方法［13-14］中，需要一定的样本数据针对特定裂缝进行训练. 基于图像的裂缝检测易受背景噪声影响，对微小损伤和不同类型损伤的识别准确度有待提高.利用图像处理技术［10，16］联合DIC方法应用于裂缝检测，实现不同技术的优势结合，提升对复杂动态裂缝检测的效率和精度. 张庆贺等［3，17］采用DIC和目标检测算法结合对裂隙破坏模式进行分类识别，为后续材料破坏规律和预警提供基础. 程斌等［18］运用数字图像退相关效应，实现单一疲劳裂缝精细化智能测量. Bertelsen等［16］由DIC获得水平方向应变场和位移场，通过图像处理实现定量检测砂浆试件的塑性收缩裂缝.以上算法无法快速便捷地应用于复杂模式裂缝的全局检测，本文通过机器视觉［19］联合DIC方法，提出一种低成本、易操作、高精度、可用于动态裂缝识别的裂缝自动识别检测（Automated Crack Detection and Measurement，ACDM）方法. 在DIC位移场数据中应用基于位置矢量的裂缝法向和切向位移的计算原理［20］，可以获得裂缝的开展路径；在不同状态下，基于对应的裂缝切向位移及法向位移，可以通过积分计算获得裂缝面积，并用于表征损伤程度.本文首先提出一种基于DIC技术的机器视觉来获得裂缝几何具体变化值的ACDM方法；然后通过170第 11 期王青原等：基于机器视觉和数字图像相关技术的混凝土损伤演化研究预制切缝梁在三点弯曲试验中识别CMOD 值与夹式位移计的结果，进行误差分析，误差范围符合国家现行标准要求［4］；最后通过立方体单轴压缩试验，分别采用试样应变场计算的变异系数和ACDM 方法所得裂缝面积来观测试样加载损伤演化过程，可以得出本方法相较于目前常用方法［7］对微裂缝阶段的损伤变化表征更为灵敏和准确的结论.1 基于DIC 的裂缝几何变化表征的检测原理1.1 DIC 基本检测原理本试验选用DIC 技术［21］对混凝土表面（三点弯曲试验所用试件C30-B2）进行测量，如图1所示.通过对比变形前后散斑图像灰度值的变化规律，可以得到试件表面的全域及局部位移. 参考子区和目标子区的中心点分别为点A 和点A'，参考子区的位移为点A 和点A'之间的坐标差（u 0， v 0）.子区内距中心点A 坐标差为（∆x ， ∆y ）的任意点P 位移为（u （∆x ， ∆y ）， v （∆x ， ∆y ）），即为子区的变形信息.本研究中的DIC 图像算法使用序列相关运算函数C ZNCC ，如式（1）所示.C ZNCC =∑i =-M M∑j =-M Mìíîïïüýþïïï[]f ()x i ，y j -f m ×[]g ()x i ′，y j ′-g m Δf ×Δg =∑i =-M M ∑j =-M Mìíîïïïïïïf ()x i ，y j -1()2M +12∑i =-M M ∑j =-MMf ()x i ，y j ∑i =-M M ∑j =-M M []f ()x i ，y j -f m 2×üýþïïïïïïg ()x i ′，y j ′-1()2M +12∑i =-M M ∑j =-MM g ()x i ′，y j ′∑i =-Mj M ∑=-MM []g ()x i ′，y j ′-g m 2（1）式中：f （x i ， y j ）为参考子区各像素的灰度值；g （x'i ， y'j ）为目标子区各像素灰度值；子集的大小为（2M + 1）×（2M +1）；子集坐标（x i ，y j ）和（x'i ， y'j ）与2个图像之间发生的变形直接相关；f m 、g m 分别为参考子区和目标子区的灰度平均值.C ZNCC 取值［-1，1］，C ZNCC 数据值越接近1说明图像的相关性越好.1.2 基于机器视觉的散斑数字图像相关技术的裂缝测量计算原理1.2.1 基于机器视觉的主应变图中裂缝骨架提取方法在用DIC 图像处理识别获得裂缝扩展相关数据的计算中，首先在DIC 获得的主应变云图中，通过机器视觉技术，采用MATLAB 软件设定阈值为13 με（大于材料的最大应变和测量噪声的总和，对应于100 mm 的长度范围变形1.3 μm ），对裂缝开展全过程图像阈值化处理，主应变场被二值化为包含裂缝位置的高应变区域和代表未开裂区域的低应变区域. 随后将加载全程所得所有主应变场二值化图像叠加，通过调用MATLAB 图像处理工具箱实现中间轴细化来提取骨架［22］，判断交叉点及端点. 并对对应图像的中线进行7像素的中值滤波，即为混凝土梁试件对应的裂缝开展路径.基于机器视觉在主应变场中提取裂缝骨架流程图，如图2所示，其中：P k 为峰值荷载. 以本文所用试件C30-C1在不同荷载状态的DIC 图像为例，由荷载作用下所得应变场图像通过形态学处理获得裂缝骨架.1.2.2 基于位置矢量的裂缝法向和切向位移的计算原理由1.2.1节中方法获得裂缝骨架后，计算沿裂缝图1 C30-B2试件变形前后图像及子区示意图Fig.1 Schematic diagram of images and subareas of C30-B2 specimen before and after deformation图2 基于机器视觉在主应变场中提取裂缝骨架流程图Fig.2 Flow chart of extracting crack skeleton in principal strainfield based on machine vision171湖南大学学报（自然科学版）2023 年骨架路径的裂缝相对运动位移值（法向和切向位移值）. 在此步骤中，使用一种确定局部裂缝倾角和包含局部旋转角度的裂缝两侧的相对位移方法［23］. 本文对通过DIC 方法所获得的加载状态下试件损伤开裂全过程表面位移场，进行基于位置矢量的裂缝法向和切向位移的计算，如图3所示.基于位置矢量的裂缝法向和切向位移的计算原理应用MATLAB 进行计算，其部分关键代码如图4所示.在1.2.1节中通过形态学相关计算方法在应变场中获得裂缝骨架后，以该裂缝路径上的点作为计算裂缝开展几何数据的参考点，代入采用DIC 方法获得的水平和竖直方向位移场中，并在每个参考点周围选择4个相邻参考点. 由图4所示代码计算局部裂缝倾角和裂缝两侧的相对位移，提取沿裂缝路径的法向和切向位移. 基于位置矢量的自动识别裂缝示意图如图5所示，其描述了使用ACDM 在混凝土立方体压缩试验对试件C30-C1的3个加载状态下的裂缝形态计算过程.1.3 相关性演化与损伤变量的建立根据损伤理论，原始损伤变量用有效承载面积的减少量来表示［24］.初始损伤变量可表示为：D =A dA（2）式中：A d 为有效承载面积上的开裂面积；A 为有效承载面积.由于DIC 方法对裂缝的判断均始于像素级识别失效［25］，难以实现微裂缝开展阶段的损伤表征. 很多学者为实现在混凝土或岩石破坏前找到较强的非均匀性信号，以裂纹主应变的演化来表示试件损伤变量. 采用主应变场的变异系数（C v ）作为损伤变量，如式（3）所示.图4 基于位置矢量的裂缝法向和切向位移部分计算代码Fig. 4 The part of normal and tangential displacement of crackcalculation code based on position vector图3 基于位置矢量的裂缝法向和切向位移计算的细节示意图Fig.3 Details of crack kinematic measurement of crackdisplacement vector ， calculation and decomposition of crackdisplacement vector in crack opening and sliding 图5 基于位置矢量的自动识别裂缝示意图（裂缝位移放大30倍）Fig.5 Schematic diagram of automatic crack identification based on position vector （crack displacement magnified by 30 times ）172第 11 期王青原等：基于机器视觉和数字图像相关技术的混凝土损伤演化研究C v =SXˉ（3）式中：S 和X分别为数据的标准差和平均值.S =（4）X ˉ=1mn k =1mnX k（5）式中：X k 代表m × n 的最大主应变场中的第k 个（k =1~m×n ）最大主应变值. 对于不同损伤状态下应变场的分布情况，C v 都有一个确定的对应值.因此，C v 可作为混凝土材料变形和破坏的损伤指标.本文提出的基于机器视觉和数字图像相关技术可以实现微裂缝尺度的裂缝识别.可直接通过式（2）表征裂缝损伤程度，与式（3）~式（5）计算的变异系数进行比较，从而研究本方法对压缩损伤识别的表征能力.2 混凝土立方体压缩试验及ACDM 方法识别裂缝的验证2.1 试件制备本试验中混凝土主要材料为水泥、砂、石子、减水剂.水泥采用海螺牌42.5R 普通硅酸盐水泥；细骨料类型为河砂（粒径<5 mm ）；石子采用碎石（粒径为5~15 mm ）；减水剂采用聚羧酸高效减水剂.每组浇筑4~5个立方体混凝土试块［26-27］进行压缩试验，立方体尺寸（长×高×厚）为100 mm×100 mm×100 mm.试件浇筑后，在自然条件［温度（20±2）℃；相对湿度75%~85%］下养护28 d ，进行压缩试验［28］和动弹模测试［29］.混凝土配合比及相关力学参数如表1所示.2.2 试验流程立方体加载试验的裂缝检测示意图如图6所示. 数字图像相关法的主要装置示意图如图6（a ）所示，包括相机（SONY alpha6400）、计算机、照明灯具. 混凝土立方体试验采用1 000 kN 微机控制电液伺服万能试验机进行加载，位移加载速率为0.2 mm/s ，采用DIC 技术对立方体试件面区域进行观测，立方体表面为DIC 的测量区域. 试件预加载荷为15~20 N ，确保加载处与试件充分接触，实现试验过程中形变的连续性.通过先在试件表面喷涂均匀的哑光白漆，再喷洒黑漆制作散斑. 局部散斑图像如图6（b ）所示，散斑直径至少为3~5像素.图像采集设备为 2 400万像素的高分辨率相机，通过数字图像相关软件（FreeDIC ），采集试件表面加载变形前后的图像，子集半径为61像素，检索半径15像素，计算密度为5像素，设定C ZNCC 的置信区间大于0.7. 计算得到不同载荷下的位移和应变数据. 试验过程中，相机对焦后固定焦距.本研究中镜头与试件表面距离为50 cm. 本文选用22个荷载状态并用散点表示，得到3组试件的荷载-位移曲线，如图7所示.表1 混凝土配合比及相关力学参数Tab.1 Concrete mix ratio and mechanical parameters of materials试件组C30C50C70混凝土配合比/（kg·m -3）水200196153水泥279423512细骨料1025867642粗骨料8388661 071减水剂0.46.26.3水灰比0.720.420.30立方体强度f cu /MPa34.4055.5778.601 3弹性模量E /GPa19.5223.8029.00（a ）装置示意图（b ）局部散斑图像（500 像素×500 像素）图6 立方体加载试验的裂缝检测示意图Fig.6 Schematic diagram of crack detection of cubes incompression test173湖南大学学报（自然科学版）2023 年2.3 三点弯曲作用下单一裂缝检测结果验证本研究建立了基于机器视觉对真实的散斑图像进行位移场计算，从而实现裂缝识别的方法，采用C30组试件梁验证其有效性. 使用表面喷斑的跨中预制切缝梁（C30-B1、C30-B2、C30-B3），采用DIC 技术，摄像采集频率为1 Hz ，试验装置示意图可参考图6（a ），采用万能试验机，进行三点弯曲加载试验，并在预制切缝下方采用夹式位移计测量CMOD 值. 试件梁尺寸（长×高×厚）为500 mm×110 mm×60 mm ，梁跨度 为440 mm ，切口深度a 0=35 mm ，梁的跨高比为4. 裂缝数据分析均以峰值前的10%P k 荷载值的图像作为基准图像，在P -CMOD 曲线上以峰值荷载的10%为增量选取19帧图像为计算目标图像. 在梁C30-B1的峰值荷载状态下，由ACDM 方法识别的裂缝如图8所示.采用ODM 矩阵［9］对DIC 方法获得的位移场进行后处理获得裂缝，作为对DIC 数据处理识别裂缝情况的参照. 混凝土梁C30-B2在不同荷载状态下（峰值荷载之前90%P k 、峰值荷载P k 、峰值荷载之后90%P k 、峰值荷载之后60%P k ），通过ODM 方法和ACDM 方法确定裂缝的竖向长度-裂缝张开位移图像，如图9所示. ODM 方法分析的是矩阵区域位移的变化，故无法体现具体的裂缝曲折倾角等信息；而ACDM 方法可以给出具体裂缝不同位置的倾角，以及对应裂缝切向位移和裂缝法向位移的变化数据.C30组梁的CMOD 值基于ACDM 方法的相关计算结果如图10所示. 由图10（a ）可知，ODM 方法和ACDM 方法对DIC 数据计算得到的CMOD 值与夹式位移计测量的结果变化趋势一致，且2种方法基于DIC 图像得到三点弯曲作用下裂缝扩展的CMOD 值的误差相近. 由图10（b ）可知，ODM 方法和ACDM 方法计算得到的CMOD 值与夹式位移计测量结果的误差值大部分都落在（-0.05，0.05）mm 内.测量误差较（a ）C30（b ）C50（c ）C70图7 3组试件的荷载-位移曲线Fig.7 Load-displacement curves of three groups of test cubes图8 C30组预制切缝梁三点弯曲加载试验的P -CMOD 曲线及裂缝检测示意图Fig.8 P -CMOD curves and crack detection for three-point bending loading test of pre-notched group C30 beams174第 11 期王青原等：基于机器视觉和数字图像相关技术的混凝土损伤演化研究大的情况出现在试件梁断裂的后期，该阶段试件发生大变形刚体位移，夹式位移计测得的位移结果中包含了转角导致的位移［30］，与实际裂缝结果相比偏大. 由图10可以看出，在试件加载断裂后段，基于ACDM 方法和ODM 方法测得的裂缝口张开位移都相对夹式位移计的结果值偏小，说明基于图像的裂缝检测方法得到的结果更加符合实际情况.直接采用机器视觉计算［31］裂缝宽度时，一般要求测量误差控制在（0.05，0.10）mm 内，其中缝宽为（0.08，0.15）mm 时，测量误差较大. 本文采用ACDM 方法得到的CMOD 值的误差值偏小，不会因为实际裂缝宽度较小而产生较大的误差值. 当裂缝宽度小于0.05 mm 时，识别的误差大部分都小于0.01 mm ，如图10（c ）所示.由图9（b ）可知，不同荷载状态下，ACDM 方法可得到裂缝路径上不同位置处对应切向位移和法向位移，故通过MATLAB 软件可以实现对裂缝开展位移积分，分别得到裂缝开展路径的切向位移扩展面积和法向位移扩展面积，进行叠加即可得到裂缝面积，ODM 方法的裂缝面积可同理计算.图11为ODM 和ACDM 2种方法对C30组试件裂缝检测计算结果. 红色散点和黑色散点分别表示不同荷载下ACDM 方法和ODM 方法获得的裂缝面积，黑色柱状图为2种方法的面积误差值. 峰值荷载之前，2种图像检测方法计算得到的裂缝开展面积结果相近，且裂缝面积均小于5 mm 2，这是由于试件在三（a ）基于ODM方法对裂缝的识别（b ）基于ACDM 方法对裂缝的识别图9 ODM 和ACDM 2种方法对裂缝检测的示意图Fig.9 Schematic diagrams of crack detection by ODM andACDM methods（a ）C30组梁采用ACDM 方法计算基于DIC 图像结果的CMOD值（b ）C30组梁的CMOD 值基于ACDM方法的计算误差结果对比（c ）张开位移小于0.05 mm 的计算误差结果对比图10 C30组梁的CMOD 值基于ACDM 方法的相关计算结果Fig.10 Calculation results of CMOD based on ACDM method forC30 group beams175湖南大学学报（自然科学版）2023 年点弯加载下荷载达到峰值之前，裂缝开展处于微裂缝状态. 峰值荷载之后，裂缝面积迅速增长，ACDM 方法测得的裂缝面积基本大于ODM 方法测得的裂缝面积. 这是由于ACDM 方法计算得到的裂缝长度与实际情况相符，裂缝是曲折的. 因此，ACDM 方法应用于基于DIC 数据的裂缝数据量化更为准确和全面. ACDM 对裂缝面积的相关计算，为后续混凝土材料裂缝面积值表征压缩损伤指标提供基础.3 压缩荷载作用下立方体试件损伤评估在2.3节的研究中，已验证所建立的ACDM 方法对散斑图像进行位移场计算实现裂缝识别的有效性和精确度. 本节将ACDM 用于表面喷涂散斑的混凝土立方体试件压缩试验的裂缝识别与计算，得到裂缝面积，与损伤理论相结合，实现损伤指标的直接计算. 为控制试件不同的裂缝开展情况对图像所产生的影响，裂缝数据分析均以峰值前的2%峰值应力值对应的图像作为基准图像；在峰值荷载的5%峰值应力值后，以峰值应力的5%为增量选取18帧图像，包括峰值前99%峰值应力、峰值应力及荷载终止状态图像，共有22个目标图像. DIC 相关计算参数与第2节中一致，并计算位移场、应变场，可以得到试验加载全程的最大主应变图以及图像相关系数C ZNCC 的全矩阵数据，依据2.3节所述原理，以试件C30-C3为例，计算得到对应的裂缝开裂信息，如表2所示.采用ACDM 方法观察混凝土试件表面，根据识别裂缝面积计算得到损伤指标D 和变异系数C v ，分别与载荷随时间的变化特征进行对比，可以将试件的损伤演化过程大致分为如图12所示的4个阶段（均以极限应力的2%处0.02σc 为损伤起始状态O ）：①OA 段，混凝土压缩密实阶段，混凝土中存在的薄弱区域紧实，在应力-应变曲线段表现为上凹状态，无集中应变出现，如表2中峰值前10%峰值应力处于阶段I 的应变云图所示.载荷、D 和C v 都随加载位移相对增加较快，D 值在该阶段数值均小于C v 值，这是由于该阶段未产生微裂缝，主要是应变数值波动. ②AB 段，该阶段为应力-应变曲线变化的线弹性阶段，出现应变集中现象，如表2中峰值前40%峰值应力处于阶段Ⅱ与阶段Ⅲ临界状态，表2对应图中白色框为应变集中位置. 此阶段荷载和D 值随位移增加而增大，而C v 基本为一个常数. ③BC 段，该阶段接近峰值荷载，峰值前80%峰值应力处于阶段Ⅲ与阶段IV 分界点，该阶段试件表面出现应变集中条带，表2中对应最大主应变云图中白色框内所示应变集中区域是应变集中条带作用的相互交错所产生的区域. D 值在整体上仍然随时间增加，但表现得比AB 段陡峭，虽然C v 随位移变化产生微小变化，但整体上（a ）C30-B1梁（b ）C30-B2梁（c ）C30-B3梁图11 ODM 和ACDM 2种方法对C30组试件裂缝面积检测计算结果Fig. 11 Crack areas results of Group C30 beams by ODM andACDM methods during fracture176第 11 期王青原等：基于机器视觉和数字图像相关技术的混凝土损伤演化研究基本稳定在阶段ⅡC v值附近.④C点之后，为微裂缝由稳定扩展转变为不稳定扩展的阶段IV，出现宏观裂缝，对应表2中峰值荷载处最大主应变图中白色框位置，C v值与D值均在峰值荷载附近出现突增趋势.由图12可知，随着混凝土强度的增加，2种损伤指标均出现了明显的数值变化，尤其在高强度的C70组，2种指标的阶段Ⅳ数值远超C30组对应损伤指标，这与混凝土强度越高，越容易发生突然破裂的规律一致.将3组试件在不同加载状态下的2种损伤指标值进行汇总，并求得平均值，相关数据列在表3中.由表3可知，在宏观裂缝出现之前，变异系数C v的标准差在阶段Ⅰ与阶段Ⅱ、阶段Ⅱ与阶段Ⅲ的分界点（A，B点对应差值）均在10-3以内.ACDM方法所得结果D的改变量均大于10-3，对于微裂缝状态的变化，数值表征更为显著.表2 试件C30-C3的损伤演化过程中的图像信息Tab.2 Image information during the damage evolution of specimens C30-C3荷载状态峰值前10%峰值前40%峰值前80%峰值最大主应变图像相关性数值裂缝示意图（位移比例放大30倍）177湖南大学学报（自然科学版）2023年（a ）C30-C1 （b ）C30-C2 （c ）C30-C3（d ）C50-C1 （e ）C50-C2 （f ）C50-C3（g ）C70-C1 （h ）C70-C2 （i ）C70-C3图12 C30组、C50组和C70组立方体应力和损伤指标值随加载应变变化关系Fig.12 The relationship between cubic stress and damage index values with loading strain of group C30， C50， C70 concrete cubes表3 3组混凝土立方体试件压缩试验不同损伤阶段分界点指标汇总Tab.3 Summary of indices of different damage stage demarcation points for three groups of concrete cubesspecimens in compression test 10-3试件C30-C1C30-C2C30-C3均值C50-C1C50-C2C50-C3均值C70-C1C70-C2C70-C3均值A 点C v2.9903.9605.1204.0205.5503.9605.5005.0005.2104.6904.7104.870D 3.5300.0040.0001.1801.2101.0305.6702.6401.5300.7700.5600.952B 点C v5.5906.2405.9105.9105.4803.9406.1905.2005.9905.5904.4305.337D 12.3000.3470.4174.3702.6501.2307.7703.8802.2502.3700.7801.800C 点C v7.2606.9006.5906.92024.80018.5006.32016.50046.59034.14088.44056.390D 33.50010.7007.45017.20018.50018.50034.30023.70019.90023.40027.60023.600178第 11 期王青原等：基于机器视觉和数字图像相关技术的混凝土损伤演化研究4 结论本文采用数字图像相关技术关联机器视觉识别技术搭建的ACDM方法可以实现微裂缝级别的高精度识别. 通过本文方法对3组不同强度混凝土试件的压缩试验进行损伤表征，所计算的D损伤指标在微裂缝阶段变化更为灵敏. 研究结果表明：1）本文提出的基于机器视觉和数字图像相关技术的裂缝检测和量化方法无须人工选择裂缝提取位置的相关信息，可在DIC图像分析区域内实现裂缝自动定位和相关形态数据量化，可实现微裂缝尺度的计算.2）对本文搭建的ACDM裂缝识别的精度进行分析，采用一组预制切口梁进行三点弯曲试验，以夹式位移计测量CMOD（裂缝口张开位移）作为参考用真实值. 结果显示ACDM方法在CMOD小于0.05 mm 时，识别误差小于0.01 mm，满足精度要求，可用于分析微裂缝尺度的混凝土损伤情况.3）采用ACDM方法计算直观裂缝面积，定义了一种表征损伤指标的计算指标D，可用于研究试件加载过程中裂缝全程面积变化，并给出对应不同损伤状态的损伤指标.4）对不同强度混凝土材料，进行损伤指标D值的计算，并与主应变场的变异系数C v值进行对比. ACDM方法计算的损伤指标D的数值变化与荷载随位移的变化基本一致，并且数值在不同阶段呈现数量级稳步增长. 而C v值在损伤过程中表现出台阶型突变，并对微裂缝扩展阶段的损伤变化不敏感，数值变化小于10-3.5）未来应进一步考虑，大构件表面应用ACDM 方法识别裂缝时，散斑质量稳定性的把控、户外情况下相机抖动数据的矫正和大视场特征点分布不均匀时相机标定方法的改进，并获得ACDM方法在工程应用情况下测量误差范围，方便工程推广应用.参考文献［1］丁威，俞珂，舒江鹏. 基于深度学习和无人机的混凝土结构裂缝检测方法［J］. 土木工程学报， 2021， 54（增刊1）： 1-12.DING W，YU K，SHU J P. Method for detecting cracks inconcrete structures based on deep learning and UAV［J］. ChinaCivil Engineering Journal， 2021， 54（Sup.1）： 1-12. （in Chinese）［2］KANG D，BENIPAL S S，GOPAL D L，et al．Hybrid pixel-level concrete crack segmentation and quantification across complexbackgrounds using deep learning［J］. Automation in Construction，2020，118：103291．［3］张庆贺，陈晨，袁亮，等．基于DIC和YOLO算法的复杂裂隙岩石破坏过程动态裂隙早期智能识别［J］．煤炭学报，2022，47（3）：1208-1219．ZHANG Q H，CHEN C，YUAN L，et al．Early and intelligentrecognition of dynamic cracks during damage of complex fracturedrock masses based on DIC and YOLO algorithms［J］．Journal ofChina Coal Society，2022，47（3）：1208-1219．（in Chinese）［4］刘宇飞，樊健生，聂建国，等．结构表面裂缝数字图像法识别研究综述与前景展望［J］．土木工程学报，2021，54（6）：79-98．LIU Y F，FAN J S，NIE J G，et al．Review and prospect of digital-image-based crack detection of structure surface［J］．China CivilEngineering Journal，2021，54（6）：79-98．（in Chinese）［5］洪哲. 基于数字图像技术的沥青混凝土开裂特征量化研究［D］. 长沙：湖南大学， 2019.HONG Z. Quantization of cracking characteristics of asphaltconcrete based on DIC technology［D］. Changsha：HunanUniversity， 2019. （in Chinese）［6］邵新星，戴云彤，何小元，等．实时数字图像相关用于土木准静态实验测量［J］．光学学报，2015，35（10）：133-141．SHAO X X，DAI Y T，HE X Y，et al．Real-time digital imagecorrelation for quasi-static test in civil engineering［J］．ActaOptica Sinica，2015，35（10）：133-141．（in Chinese）［7］王学滨，侯文腾，潘一山，等．基于数字图像相关方法的单轴压缩煤样应变局部化过程试验［J］．煤炭学报，2018，43（4）：984-992．WANG X B，HOU W T，PAN Y S，et al．Experiments of strainlocalization processes of coal specimens in uniaxial compressionbased on the digital image correlation method［J］．Journal ofChina Coal Society，2018，43（4）：984-992．（in Chinese）［8］黄心畏，单晓锋，高红俐，等．基于边缘检测和数字图像相关法的疲劳裂纹长度测量方法［J］．兵工学报，2022，43（4）：940-951．HUANG X W，SHAN X F，GAO H L，et al．Fatigue crack lengthmeasurement method based on edge detection and DIC［J］．ActaArmamentarii，2022，43（4）：940-951．（in Chinese）［9］洪哲，杨树．基于DIC技术的沥青混凝土开裂特征量化研究［J］．铁道科学与工程学报，2019，16（7）：1652-1659．HONG Z，YANG S．Quantitative research on crackingcharacteristics of asphalt concrete based on DIC technology［J］．Journal of Railway Science and Engineering，2019，16（7）：1652-1659．（in Chinese）［10］李可心，王钧，戚大伟．基于G-S-G的混凝土结构裂缝识别及监测方法［J］．振动与冲击，2020，39（11）：101-108．LI K X，WANG J，QI D W．Research on crack identification andmonitoring method of concrete structure based on G-S-G［J］．Journal of Vibration and Shock，2020，39（11）：101-108．（inChinese）［11］王睿，漆泰岳．基于机器视觉检测的裂缝特征研究［J］．土木工程学报，2016，49（7）：123-128．WANG R，QI T Y．Study on crack characteristics based on179。
初始模型对地震走时层析成像结果的影响分析及对策
张小磊;张东
【期刊名称】《科技通报》
【年(卷),期】2016(32)8
【摘要】常规地震走时层析算法对初始模型有较强的依赖性,初始模型与实际模型偏差较大时,需要经过很多次的迭代才能得到较好的反演结果,甚至反演结果不收敛。
针对这一问题,本文分析了不同初始模型的反演结果存在较大差异的原因,提出了一
种对常规层析算法进行改进的方法,以提高算法对不同初始模型的一致收敛性。
研
究发现,模型中没有射线覆盖或者射线覆盖较少的地方是影响算法对初始模型依赖
性的关键,因此本文提出使用动态插值方法改进反演过程,根据迭代次数和结果收敛
情况自动选择合适的插值方法。
实验表明,改进的算法不仅提高了层析成像算法对
不同初始模型的一致收敛性,也提高了反演结果的精度。
【总页数】5页(P24-27)
【关键词】初始模型;一致收敛性;动态插值
【作者】张小磊;张东
【作者单位】武汉大学物理科学与技术学院
【正文语种】中文
【中图分类】P631.4
【相关文献】
1.初至波走时层析成像对初始模型的依赖性 [J], 刘玉柱;丁孔芸;董良国
2.基于三维地球模型和地震层析成像区域地震走时校正方法研究 [J], 石建芳;许进;王娟;张波;崔甲甲;李健;邱宏茂
3.气枪震源地震波走时变化影响因素分析及地震相关的走时变化 [J], 周青云;刘自凤;贺素歌
4.地震走时层析成像的分析技术及其应用 [J], 横田俊之
5.基于程函方程快速行进法的地震走时层析成像法 [J], 李天扬;李桐林;孟相禹因版权原因，仅展示原文概要，查看原文内容请购买。
