公路工程超声波检测基桩完整性三维成像分析

超声波作为桩身完整性类型判定的动测技术手段,大多数情况下采用跨孔透射与平测综合方法,对于基桩测试参数异常区域的可疑部位,需采用增加声测线或采用扇形扫测、交叉斜测、CT影像技术等进行复测和加密测试,确定缺陷体的位置及空间分布范围。而采用超声波检测基桩完整性三维成像技术可实现基桩缺陷体在深度和水平方向的准确定位。文中基于双声波换能器自发自收功能,通过跨孔透射与平斜测综合方法开展现场基桩完整性三维成像与试验数据的三维解译。结果表明,基桩完整性三维成像技术可对基桩声波速度和低速缺陷体进行三维立体成像,实现基桩完整性类别的客观判定。     

注浆压力作用下隧道围岩变形规律与安全控制

注浆是隧道围岩加固与涌水封堵的主要技术手段,当围岩较为破碎且自稳能力较差时,注浆过程中若采取了不合适的注浆压力,极易造成围岩大变形甚至塌方等次生灾害。基于渗流-应力耦合理论,选取典型隧道开挖断面,建立注浆作用下渗流场与应力场数学模型,运用COMSOL多物理场耦合软件分析注浆过程中注浆压力作用下隧道围岩的变形规律。结果表明,围岩等级为Ⅴ时,注浆过程中注浆压力不断向隧道周围地层中扩散与传递,渗流场、应力场分布随注浆孔深度增加呈现衰减趋势; 随着注浆压力的提高,应力发生急剧变化,并不断地向围岩深部转移; 注浆初期,围岩变形速率急剧上升,注浆后期围岩变形速率下降,且变形量趋于稳定。依托具体工程实例,提出了合理选择注浆压力的控制技术,保证了围岩的稳定和安全。     

高填方土石混合路基压实质量控制技术研究

土石混合路基具有各向异性的特点。文中依托实体工程,分析土石混合路基填料的特点,引入沉降差控制与瑞雷面波测试,开展高填方土石混合路基压实质量控制技术研究。结果表明,随着压路机碾压遍数的增加,相邻两遍碾压沉降差下降,碾压超过5遍时,部分测点沉降差呈上升状态,同时沉降速率变缓,沉降值总体趋于稳定。现场试验得出18 t压路机在碾压填石路基4遍后效能大幅度降低,采用32 t压路机进行补压后路基压实度满足设计要求;26 t压路机碾压5遍后路基压实质量满足要求。     

刻槽参数对刚柔复合式路面层间粘结强度的影响

为提高刚柔复合式路面层间粘结强度,针对界面刻槽处治技术,采用刻槽深度、刻槽宽度和刻槽间距三个控制参数,进行三因素四水平正交试验设计;对室内刚柔复合式试板的钻芯试件分别进行剪切与拉拔试验,研究不同刻槽参数组合对刚柔复合试件层间粘结强度的影响。试验结果表明:刻槽处治技术能显著提高刚柔复合试件的层间粘结强度;影响层间粘结强度的刻槽各因素主次顺序为刻槽宽度、刻槽深度和刻槽间距;最优参数组合为深度6 mm、宽度13 mm、间距16 mm,对抗剪强度和抗拉强度最大分别提高52.6%和87.7%;当刻槽宽度接近混合料最大粒径时,沥青混合料的骨料可以充分嵌入槽内形成紧密的结合面,有效增大粘结面积从而提升粘结强度。     

基于改进YOLOv5神经网络的道路检测车辆前方障碍识别方法

针对在嵌入式设备上部署神经网络模型存在受限于设备体积与计算性能的影响而难以保证神经网络模型的推理实时性的问题，提出了一种基于YOLOv5-nano的前车检测改进方法（HS-YOLO）。首先，采用硬拟合函数h-swish来取代SiLU激活函数，在激活关系相似的情况下提高模型推理速度；此外，引入SIOU边界框回归损失来替代CIOU损失，提高模型的训练速度与推理精度。为进一步验证改进模型的性能，使用SSD、YOLOv4-tiny、基础模型YOLOv5-nano与改进的HS-YOLO网络在相同训练条件下进行训练，得到最优模型并在测试集上进行推理测试。结果表明：HS-YOLO模型的精确率、召回率及AP0.5较原模型YOLOv5-nano分别提升了0.76%、0.43%、0.41%；在推理速度方面，HS-YOLO模型的单张图片推理耗时为7.8 ms，实时推理帧数为128 FPS，在所有模型中表现最优，较原模型分别提高了0.7 ms和10 FPS。     

基于改进U型神经网络的路面裂缝检测方法

针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准，从而造成识别精度较低的问题，研究了基于改进U型神经网络（Unet）的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络，难以提取更复杂的裂缝特征信息，故本文以牛津大学视觉几何组网络（VGG16）作为传统Unet的特征提取网络，提高网络的裂缝特征提取能力；为抑制高低阶特征融合时产生的无用特征，本文在模型解码部分添加压缩与激励单元（SE block），构建裂缝注意力单元，使得网络可以关注不同通道下的裂缝特征，建立了基于SE block和VGG16的改进Unet网络（SE-VUnet）。研究采用迁移学习的方法，将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集，并使用摄像头采集图片构建1 600张路面裂缝数据集，再次训练SE-VUnet模型，获得裂缝区域分割结果。以查准率（precision）与查全率（recall）的加权调和平均值F1和雅卡尔（Jaccard）相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1，相比于Unet分别高出了1.04%和1.51%，且均高于其他3种对比模型；SE-VUnet的单帧图片预测时间为89 ms，在分割效果提升明显的情况下仅比Unet慢5 ms，优于其他模型。