Научный задел. В Санкт-петербургском горном университете на базе Центра цифровых технологий ведутся научно-исследовательские работы по разработке, адаптации и внедрению в производство цифровых технологий: специального программного обеспечения, интеллектуальных систем управления, наукоемкого оборудования и др. Одной из задач Центра является сопровождение существующих фундаментальных заделов, компетенций и возможностей по переходу к передовым цифровым, интеллектуальным и роботизированным технологиям горного производства.

Текущее состояние. Существует несколько принципов технического Железобетонный свайный фундамент зарекомендовал себя одним из самых надежных способов для обеспечения дальнейшего безопасного строительства и надежной эксплуатации зданий и сооружений. Первостепенной задачей, определяющей критерий надежности, является контроль качества выполненных работ, в ходе которого определяется несущая способность сваи, достижение ею проектной отметки и так далее. И если в сваях заводского изготовления можно идентифицировать отклонения от нормы еще на этапе их изготовления на производстве при помощи входного контроля, то со сваями, изготовленными на строительной площадке, ситуация усложняется. Особое внимание в такого вида сваях уделяется контролю сплошности ввиду того, что дефекты, возникающие в процессе устройства свай, такие как размытие бетонной смеси, включения грунта, каверны, пустоты не идентифицируются визуально и могут привести к снижению несущей способности сваи. Наиболее распространенными методами контроля сплошности свай являются сейсмоакустический метод, ультразвуковой метод, а также термометрическое профилирование. Существуют и другие методы оценки сплошности и несущей способности свай. Так, например, в одной из работ показана зависимость деформации сваи и изменения магнитного поля, предложен бесконтактный метод для определения деформаций, вызванных ударом молотка, с использованием динамического магнитного поля рассеяния. В другой работе приводится оценка предельного состояния свай по параметрической модели за счет определения боковой реакции сваи, то есть взаимодействия сваи и грунта, оцененного по множеству параметров, например, по размеру поперечного сечения сваи, марки бетона, процента армирования, коэффициенту продольного и поперечного армирования, коэффициенту осевой нагрузки и эффективному углу трения песка.

Все перечисленные методы безусловно дают определенный результат и доказывают свою состоятельность при использовании в полевых условиях. Однако они наиболее результативны только после расшифровки полученных значений. Данная расшифровка требует временных и человеческих затрат. При этом интерпретация результатов во многом зависит от человеческого фактора. В данных условиях целесообразна разработка алгоритмов, позволяющих автоматизировать процесс интерпретации результатов при проведении испытаний по контролю сплошности свайных оснований.  

Решаемая проблема. Целью данной работы является создание алгоритма распознавания дефектов и их локализации в железобетонных сваях, изготавливаемых на строительных площадках по данным сейсмоакустического метода для оценки сплошности сваи, пригодного для его использования в условиях строительной площадки и способного к интеграции в существующие архитектуры приборов. Интеграционные способности подразумевают разработку алгоритма, незначительно повышающего вычислительную и энергозатратную составляющую имеющегося оборудования, а также вычислительных модулей приборов.

Методы и детали исследования. Сейсмоакустический метод на сегодняшний день является одним из распространённых методов для контроля сплошности и определения длины сваи. В основе данного метода неразрушающего контроля лежит принцип акустической дефектоскопии, основанный на таком физическом явлении как распространение упругих волн, а именно на анализе прохождения и отражения в свае акустической волны. Генерация упругой волны осуществляется за счет удара молотком по предварительно подготовленному (высушенному и гладко зачищенному) месту на оголовке сваи. Волна распространяется по телу сваи и отражается от имеющихся в ней дефектов, а также от пяты сваи. Отраженные волны регистрируются датчиком, установленном на оголовке сваи и далее в виде рефлектограмм (зависимостей скорости смещения частиц оголовка сваи от времени) обрабатываются на компьютере в специальном программном обеспечении.

Несмотря на широкое применение метода и его явные преимущества, он обладает рядом ограничений. Например, при использовании этого метода нельзя обнаружить мелкие дефекты, различные включения и выявить незначительные изменения поперечного сечения сваи. Также на точность определения длины конструкции влияют акустические свойства окружающего ее грунта. Помимо этого, в большинстве случаев метод испытаний не позволяет судить о целостности сваи после первой значительной аномалии сигнала.

В работе для интерпретации результатов и идентификации дефектов свай предложен метод кластерного анализа, так называемый ИНС-классификатор. Важной особенностью предложенного решения является набор данных, предлагаемых к использованию для создания ИНС-классификатора. Агрегирование данного набора данных будет проходить по характерным токам спектра сигнала, полученного с датчиков. В данной работе в качестве таких точек предлагается использовать пиковые точки спектра сигнала. Принцип нахождения характерных точек используется в смежных областях – электроэнергетике, медицине и так далее.

Разработка ИНС-классификатора. Обработка данных будет производиться в ПО Matlab и с применением специальной приложения Classification Learner. Данное программное обеспечение широко используется для решения различных прикладных инженерных задач.

Предлагаемый метод отличается низкой вычислительной сложностью и может быть реализован на недорогом оборудовании, быстро позволяя интерпретировать результаты испытаний свай на сплошность в полевых условиях.

Результаты исследования. Важным вопросом является вопросы внедрения в практику ведения строительных работ разработанных алгоритмов и принципов обнаружения дефектов.  В данной работе все полученные результаты и выводы были сделаны на основе экспериментальных данных по однородным случаям использования свай. В эксперименте не изменялись длина и диаметр свай, материал и способ заливки. В действительности для внедрения полученных результатов в практическое применение необходимо расширить эксперименты с варьированием других параметров. Однако, по предварительной оценке, существенного влияния на используемые в алгоритме методы данные варианты оказывать не будут, точность ИНС-классификатора и состоятельность в вопросах определения дефектов на данном этапе не вызывает сомнения.

Важными рекомендациями по внедрению ИНС-классификатора при интерпретации результатов являются следующие:

1. Полученные данные необходимо подвергнуть процессу предварительной обработки. При этом обязательными процедурами по мнению авторов должны быть следующие:

•              Первоначальной операцией преобразования полученного сигнала, является оконное преобразование Фурье. Далее необходимо работать с частотным спектром сигнала. При этом стоит подчеркнуть, что оборудование, используемое при проведении эксперимента, уже включало в себя функцию по переводу сигнала от временной в частотную область. Поэтому можно изначально брать этот спектр как начальные данные при обработке.

•              Использование так называемого глубокого обучения, первой задачей которого должен быть алгоритм, показывающий можно ли применять ИНС-классификатор для полученных данных сигнала или нет. При этом стоит подчеркнуть, что как показали эксперименты, особенно на первых порах вместо ИНС-классификатора может быть применен алгоритм оценки амплитуд на характерных частотах спектра сигнала. Для используемых в работе экспериментальных данных характерными частотами являются: 4-6, 27-32, 52-60, 79-87, 90-113. Одним из упрощенных подходов является подход при которых сравнивается средняя амплитуда на смежных и указанных выше диапазонах частотах. Случай, когда она будет меньше является условием применения ИНС-классификатора. 

•              Формирование входной матрицы размером [1×5] для работы классификатора, приставляющей собою массив из пяти точек, каждая из которых является вершиной пика спектра сигнала, полученного сейсмоакустическим методом. Целесообразно использовать первые пять пиков, что было доказано в ходе проведения данной работы.

2. Во всех возможных экспериментальных алгоритмах свая без дефектов определялась категорично с высокой степенью достоверности. В реальных условиях авторы предлагают создать экспериментальную сваю для получения такой характеристики и дальше на втором этапе предобработки использовать алгоритм для выявления дефектов в принципе, по накопленным данным извне запуская алгоритмы динамической кластеризации находить новые кластеры и изменять классификатор уже непосредственно в приборе с возможностью распознаванием классов дефектов, выявленных динамическими алгоритмами кластеризации.

3. Накапливать историю из данных сопоставляя характерные точки спектра сигнала с выявленными дефектами. Тем самым при условии несущественного изменения технологии ведения строительных работ, с течением времени можно получить точный ИНС классификатор, диагностирующий все возможные дефекты. Плюсом наличия такого инструментария является независимость от компетенции человека, интерпретирующего результаты, быстрое получение результата на месте и сохранения данных о дефектах за весь период ведения мониторинга. Данная информация может в дальнейшем быть полезной в комплексных системах автоматизации предприятий напрямую или косвенно участвующих в ведении строительных работ или эксплуатации объектов.

Заключение. Результатом проведения данной работы является доказательство состоятельности гипотезы, заключающейся в том, что ИНС-классификатора, входным вектором которого являются характерные точки спектра полученного сигнала, а выходным тип дефекта сваи может использоваться в качестве основного инструмента для автоматической интерпретации результатов испытания свай на целостность полученные сейсмоакустическим методом. При этом в качестве характерных точек спектра для обучения, тестирования и работы ИНС-классификатора могут использоваться пиковые значения спектра сигнала. В работе показано, что 5 первых пиковых точек являются оптимальным для создания, тестирования и работы ИНС-классификатора. Кроме того, вместо данных точек для работы ИНС классификатора могут использоваться 5 значений, полученных путем усреднения амплитуды спектра сигнала в пятичастотных диапазонах соответственно. Характерными частотами спектра полученных в работе сигналов являются следующие частоты: 4-6, 27-32, 52-60, 79-87, 90-113. В качестве результата работы ИНС-классификатора могут использоваться разбиения на классы по каждому датчику мониторинга, устанавливаемых на сваях или непосредственно по типам дефектов сваи. В первом случае решение является промежуточным и требует интерпретации условия работы датчика и дефектов сваи. Для упрощения внедрения ИНС-классификатора в практику ведения строительных работ целесообразно учесть предложенные рекомендации.