0 概述

隨著我國基礎建設的蓬勃發展，樁基礎在公路及鐵路橋梁、港口碼頭、海上采油平臺、高層建筑、重型廠房以至核電站等工程中大量采用。但由于樁基礎屬于地下隱蔽工程，往往會因為施工工藝不成熟、地質條件復雜、施工隊伍水平差、質量量控制不嚴等因素的影響，導致樁基施工過程中出現縮頸、擴徑、裂紋、夾泥、沉渣甚至斷樁等質量問題，必須會影響到樁基的承載力，從而影響上部結構的安全性。因此，在樁基施工完成后，對其樁身完整性進行檢測成為必然，由于超聲透射法具有便捷、迅速、缺陷反映靈敏度高、缺陷檢測范圍廣等優點，從而被廣泛用于樁身完整性的檢測。
目前，在現行的各種行業及地方樁基完整性檢測規程中，超聲透射法都根據各測點信號的物理量（首波聲時、幅度和頻率、波形）的變化，利用數理統計的方法并結合個人的經驗對缺陷位置、缺陷程度進行定性判斷，然后根據規程中所列的樁身完整性類別特征，結合個人經驗對樁身完整性類別進行判定。這種方法受人的經驗因素影響很大，其判斷的準確性對檢測人員的水平依賴很大，而且也不利于檢測的自動化、智能化，顯然已不適應現代工程檢測需要。
因此，對于超聲透射法檢測基樁完整性的數據，依據現行的行業或地方的基樁完整性檢測規程，對樁身完整性類別進行自動識別具有重要意義。在北京市交通行業科技項目“橋梁樁基檢測自動識別技術研究及應用”研發過程中，我們提出了一種基于支持向量機的樁身完整性類別自動識別方法，并對其進行了的研究與應用。

1研究現狀

利用超聲透射法對基樁完整性進行檢測之后，必須對其完整性類別進行判定，并告知相關單位按照判定結果進行相應的處置?，F行的各種行業和地方檢測規程中，都將樁身完整性類別分為四類（見表1）；對于Ⅰ、Ⅱ類樁，是可以正常使用的；對于Ⅲ類樁，是需要進行加固等處理并復測或經設計驗算后再判定是否可使用；對于Ⅳ類樁，是無法正常使用的，需要破除后重新灌注或者補新樁。如果樁身完整性類別判斷錯誤，將高級別判為低級別，則會造成一定程度的浪費；將低級別判為高級別，則會造成安全隱患，可能會導致上部結構沉降或失穩，所以提高樁身完整性類別判定的準確程度具有重要意義。 對于不同的行業或地方的基樁檢測規程，對樁身完整性類別進行判定的特征有所不同，但也有相同之處，以下分別對公路、鐵路及建工行業的檢測規程及廣東、江蘇、浙江等有代表性的地方規程中的樁身完整性判定特征進行羅列。
表2為2004年頒布實施的交通部基樁檢測規程《公路工程基樁動測技術規程（JTG/T F81-01-2004）》對樁身完整性判定表，表3為交通部即將頒布的新檢測規程中的完整性判定表，新的判定表更加細致，更加合理。 表4為住房和城鄉建設部頒布的《建筑基樁檢測技術規范（JGJ 106—2014）》中對樁身完整性判定的特征表。 表5為鐵道部頒布的《鐵路工程基樁檢測技術規程（TB 10218-2008）》中對樁身完整性類別進行判定的特征表。 為了能夠更加科學、準確地對樁身完整性分類，我們通過查閱相關的文獻資料，結合超聲透射法檢測樁基完整性的特點，我們采用機器學習方法進行模式的識別。通過對目前應用比較廣泛的三種機器學習方法：BP網絡、支持向量機（SVM）及深度學習（Deep Learing）的原理、優劣等進行了解與分析，最終決定在本項目中使用支持向量機技術。

2 支持向量機

SVM（Support Vector Machines）方法是20世紀90年代初Vapnik等人根據統計學習理論提出的一種新的機器學習方法，它以結構風險最小化原則為理論基礎，通過適當地選擇函數子集及該子集中的判別函數，使學習機器的實際風險達到最小，保證了通過有限訓練樣本得到的小誤差分類器，對獨立測試集的測試誤差仍然較小。
支持向量機的基本思想是：首先，在線性可分情況下，在原空間尋找兩類樣本的最優分類超平面。在線性不可分的情況下，加入了松弛變量進行分析，通過使用非線性映射將低維輸入空間的樣本映射到高維屬性空間使其變為線性情況，從而使得在高維屬性空間采用線性算法對樣本的非線性進行分析成為可能，并在該特征空間中尋找最優分類超平面。其次，它通過使用結構風險最小化原理在屬性空間構建最優分類超平面，使得分類器得到全局最優，并在整個樣本空間的期望風險以某個概率滿足一定上界。
其突出的優點表現在：(1)基于統計學習理論中結構風險最小化原則和VC維理論，具有良好的泛化能力，即由有限的訓練樣本得到的小的誤差能夠保證使獨立的測試集仍保持小的誤差。(2)支持向量機的求解問題對應的是一個凸優化問題，因此局部最優解一定是全局最優解。(3)核函數的成功應用，將非線性問題轉化為線性問題求解。(4)分類間隔的最大化，使得支持向量機算法具有較好的魯棒性。由于SVM自身的突出優勢，因此被越來越多的研究人員作為強有力的學習工具，以解決模式識別、回歸估計等領域的難題。
基于統計學習理論的支持向量機（SVM）是一種有堅實理論基礎的新穎的小樣本學習方法，被認為是目前解決小樣本的分類問題的最佳方法，可以不象神經網絡的結構設計需要依賴于設計者的經驗知識和先驗知識。與神經網絡相比，支持向量機方法具有更堅實的數學理論基礎，可以有效地解決有限樣本條件下的高維數據模型構建問題，并具有泛化能力強、收斂到全局最優、維數不敏感等優點。本項目的目標——對樁身完整性類別進行自動識別，考慮到Ⅱ、Ⅲ、Ⅳ類樁的數據樣本非常少，屬于小樣本，所以決定在本項目中使用支持向量機技術。

3 樁身完整性類別識別

3.1 特征參量的提取

被測樁的樁身完整性類別根據各剖面的可疑缺陷區的分布、可疑缺陷區域測點的聲參量偏離正常值的程度和接收波形變化情況，結合樁型、地質情況、成樁工藝等因素，可按照樁身完整性的特征和分類標準進行綜合性評判。
通過對各行業及地方現行的基樁檢測規程中的樁身完整性類別判定特征進行分析、歸納、總結，提取出以下幾個可行的特征參量，用于樁身完整性類別的自動識別。
1） 樁型
對于豎向抗壓樁，按抗壓樁的荷載傳遞機理可分為：摩擦樁、端承樁、摩擦端承樁、端承摩擦樁。對于不同類型的樁，出現缺陷的位置不同時，可能對其承載力的影響不同，所以在判定樁身完整性類別時應綜合考慮。用數字0、1、2、3分別代表上述四種類型的樁。

 對基地的10根模型樁及收集到的Ⅲ、Ⅳ類缺陷樁、實際工程中隨機抽取的Ⅰ、Ⅱ類樁，共200根樁進行特征參量提取，最后得到參量文件Grade.txt，包含400組樣本數據。
手動編輯特征參量文件，對200根樁的樁身完整性類別進行人工識別，然后將識別結果（1、2、3、4分別對應Ⅰ類、Ⅱ類、Ⅲ類、Ⅳ類）加到每組數據的最前面。得到參量文件格式如下：

3.2 訓練與預測

樣本數據準備好之后，接下來進行訓練與預測。使用不同數量的訓練及測試數據樣本，得到的預測效果也會不同；相同數量的訓練及測試樣本，如果使用不同的方法尋找最優參數，或者使用不同的核函數，得到的預測效果也會不同；為此，需要對上述各種情況進行訓練與預測，然后對預測的效果進行對比，從而篩選出一種尋找最優參數的方法及最優的核函數。
    將樣本數據中不同數量的數據提取出來作為訓練和預測數據，利用不同的尋找最優參數的方法，得到最優懲罰因子及核函數的γ值，然后分別使用多項式核函數、徑向基核函數進行訓練與預測，得到不同的訓練與預測結果，詳見表1。 1) 在多個不同數量的訓練及預測樣本情況下，使用多項式核函數進行訓練及預測得到的準確率大部分低于使用徑向基核函數進行訓練及預測得到的準確率，也就是說，徑向基核函數更適合于對樣本進行訓練及預測；
2) 在多個不同數量的訓練及預測樣本情況下，使用easy.py進行訓練與驗證得到的準確率與使用grid.py及徑向基核函數進行訓練與驗證得到的準確率相近，大多數情況下，前者要略勝一籌。也就是說，使用easy.py及徑向基核函數進行訓練與驗證要稍優。
3) 在多個不同數量的訓練及預測樣本情況下，使用easy.py及徑向基核函數進行訓練與預測得到的準確率均在74%~96%之間，準確率偏低，可能與樣本數量太少，特別是3、4類樁的樣本數太少有關。
4) 通過觀察不同情況下訓練與驗證的準確率平均值、差值的絕對值可以發現，第5種情況下平均值較大且差值的絕對值較小，是最優的一種情況。

4 SVM樁身完整性類別識別在樁基檢測中應用

在MFC程序中，使用訓練得到的模型文件PileGrade.model文件，調用LibSVM中的相關函數對基樁的完整性等級進行自動分類。
首先由人工對基地10根模型樁及收集到的Ⅲ、Ⅳ類缺陷樁、實際工程中隨機抽取的Ⅰ、Ⅱ類樁（共200根）進行完整性分類，然后利用程序對其進行自動識別，分類結果見表2，表中正確率是將自動識別的樁基數除以人工分類的樁基總數。從表中可以看出，對于Ⅰ類、Ⅳ類樁的自動識別結果與人工分類結果比較接近，也就是正確率較高，達到96%以上，而對于Ⅱ類、Ⅲ類樁的自動識別結果與人工分類結果相差較大，正確率較低。
1） Ⅱ類樁
圖2所示的兩根樁的部分剖面的個別測點的聲速、幅度低于臨界值，異常程度指數值為1或2，樁身個別測點存在輕微或明顯缺陷，但由于測點數少且不連續，故判為Ⅱ類樁。 1） Ⅳ類樁
圖4所示的MX446-2#樁的所有剖面均在多個高度位置出現聲速、幅度明顯低于臨界值，異常程度指數值為3的連續測點，樁身存在嚴重缺陷，故判為Ⅳ類樁。2-8#樁的3個剖面均在17.0~18.0m聲速、幅度明顯低于臨界值，異常程度指數為3，樁底沉渣過厚，故判為Ⅳ類樁。

5 結論

本文提出了一種使用支持向量機（SVM）分類器對聲波透射法樁基完整性檢測的樁基的完整性類別進行自動識別的方法。現行的各種行業或地方的檢測規范中，除了廣東省的《建筑地基基礎檢測規范（DBJ 15-60-2008）》能夠自動判定樁身完整性類別之外，其他規范均是根據波速、波幅、波形等參量的特征進行人為地判斷。
通過對現行的各種行業及地方的基樁檢測規程中的樁身完整性類別判定特征進行分析、歸納、總結，提取出了四種（樁型、缺陷徑向分布、缺陷的深度位置及缺陷的軸向分布）共13個可行的特征參量，用于樁身完整性類別的自動識別。
通過對200根樁身完整性類別不同的樁基的13個特征參量進行提取與標識，獲得了400組數據樣本，然后針對不同數量的訓練及驗證數據樣本、不同的尋找最優參數的方法、不同的核函數進行了訓練與驗證對比分析，最終得出在訓練樣本數量為275時，使用徑向基核函數進行訓練與驗證得到的效果最優。后面利用訓練得到的模型文件，編制了相應的樁身完整性類別自動識別軟件，對10根模型樁及190根工程樁的檢測數據進行樁身完整性類別識別驗證，得到每根樁的完整性類別，識別的結果與人工判斷結果基本吻合，能夠在實際工程檢測中應用推廣。