论文解读《Study on Ground-Penetrating Radar (GPR) Application》

本文探讨了地面穿透雷达(GPR)在路面深层病害检测中的应用,通过400MHz和900MHz天线的电磁正演模拟,分析了不同病害对反射波的影响。结合GPR测试与现场取芯开挖数据,验证了GPR检测方法的有效性。

题目:Study on Ground-Penetrating Radar (GPR) Application in Pavement Deep Distress Detection
作者:Songtao Li1,2, Chengchao Guo1,3*
期刊:Journal of Transportation Technologies

0 Abstract

As some deep distresses exist in pavement structures,== ground-penetrating radar (GPR) reflected waves will vary at interfaces and defects==. Aimed at detecting the distresses in terms of position, severity and degree, electromagnetic forward simulations based on 400 MHz and 900 MHz antennas were conducted respectively. The dielectric models concerning homogeneous or coupling distresses of pavements were established, and the effects of various distresses on detection were analyzed through reflected wave images. Relying on GPR tests and field tests, coring and excavation data acquired before rehabilitation were compared and verified. The calculation results match the field measurement results. Thus, the detection method based on GPR was proposed for pavement deep distresses.

interfaces and defects:界面和缺陷
coring and excavation data:取芯和开挖数据
本文就是简单地通过对反射波图像进行分析,识别病害。下面重点关注他究竟如何操作。

本文将对GPR在路面深部病害检测中的应用进行数值模拟和现场试验。 此外,还将进行案例研究,为路面的设计,施工,维护和修复提供参考。

2 Numerical Simulation

首先,确认您具有正确的纸张尺寸模板。 该模板经过定制,可在自定义纸张尺寸(21厘米×28.5厘米)上输出。 时域有限差分(FDTD)方法可以归类为高频电磁场模拟方法。 它已广泛应用于GPR电磁波传播的正演模拟中。 根据Maxwell方程的原理以及James和Rosemary [10]的结果,对模型和PML吸收边界条件进行了修改。 根据不同的频率,设置了不同的时间窗口,并且对来自400 MHz和900 MHz地面耦合天线的反射波进行了前向仿真,以验证GPR在检测路面深处遇险中的有效性和可靠性。

  • 首先从预设路面深层的缺陷开始.
  • 然后,GPR将信号传输到异常位置,并记录反射波。
    因此,与模拟光谱相反,可以检测到缺陷。

路面结构由几层组成,如表1所示。对于各种路面材料,介电常数ε,磁导率μ和电导率σ具有不同的值。通常,由于铺面材料是非磁性的,因此将磁导率μ设置为1。在Maxwell方程中,介电常数ε和电导率σ分别等于介电常数的实部和虚部。因此,可以确定ε和σ的值。由于沥青混凝土显示出相似的介电性能,因此可以将三个表面层简化为一层。表1列出了每一层的典型介电值。在此模型中,采用中位数作为介电常数。可以建立路面结构层的介电模型。在每一层内,可能存在几个不同尺寸的异常区域,分别指示缺陷。对于不同的路面结构,缺陷会导致ε和σ值发生变化。在模拟中,选择了8种典型的道路结构疾病作为代表。所选案例可能并不十分全面,但可能有助于揭示GPR在路面深部遇险检测中的可行性。此外,通过比较不同情况下400 MHz和900 MHz的仿真结果,可以展示这两种天线各自的优势。

总结:作者设定缺陷位置和对应参数,进行正演,观察反射波图像。

建立具有各种模拟缺陷的电介质模型,并且缺陷随类型,深度和尺寸而变化。 光源以一定的间隔放置在接收器的前面。 当源波在路面结构中以一定速度传播时,该波将被接收器记录下来。

  • Case 1: 正常状况

==The dielectric model of pavement ==with locally undercompacted surface course is shown in Figure 1(a), and several layers are contained in the model, i.e. , air layer, surface course, base course, subbase course and subgrade. Three undercompacted zones are presented in surface course with the dimension of 1 cm × 1 cm, 1 cm × 3 cm and 1 cm × 5 cm respectively, and the corresponding reflected wave image is illustrated in Figure 1(b).

  • Case 2: 存在未压实区域

The dielectric model of pavement with locally undercompacted zones in the intermediate surface course is shown in Figure 10(a). The two small undercompacted zones were contained with the dimension of 0.5 cm × 10 cm and 0.25 cm × 5 cm respectively. The corresponding reflected wave image is shown in Figure 10(b). Although the target defects became smaller, they still could be detected through the reflected wave image with higher frequency propagation.

道路的电介质模型:dielectric model of pavement
空气层,地表层,基础层,路基层和路基:air layer, surface course, base course, subbase course and subgrade

  • Case 3:充满水

The dielectric model of pavement with voids in the bottom of surfacecourse is shown in Figure 3(a), and the defect dimension was 5 cm × 50 cm. Voids were filled with water, and the corresponding reflected wave is illustrated in Figure 3(b).

  • Case 4:基部顶层存在三处未压实区域

The dielectric model of pavement with locally undercompacted zones in the base top is shown in Figure 12(a). Three abnormal zones were contained with the dimension of 0.5 cm × 3 cm, 0.5 cm × 5 cm and 1 cm × 1 cm respectively, and the corresponding reflected wave image is shown in Figure 12(b).

  • Case 6: 基层和表面的层间不良

The dielectric model of pavement with poor bondingbetween base and surface course is shown in Figure 14(a). One distress was contained in the model with the dimension of 1 cm × 15 cm, and the corresponding reflected wave image is shown in Figure 14(b).

  • Case 7: 基层和底基之间层间不良

The dielectric model of pavement with poor bonding between base and subbase is shown in Figure 15(a). One distress existed with the dimension of 0.5 cm × 15 cm, and the corresponding reflected image is shown in wave Figure 15(b).

  • Case 8: 层间不良

The dielectric model of pavement with poor bonding between subbase and subgrade is shown in Figure 16(a). One distress existed with the dimension of 0.25 cm × 15 cm, and the corresponding reflected wave image is shown in Figure 16(b). As can be seen from Case 6 - Case 8, the set bonding conditions got weaker from the top to the bottom of pavement structures, while the defects still could generally be revealed through the simulation wave images.

  • Case 9: 表面裂缝

The dielectric model of pavement with a crack in surface course is shown in Figure 17(a). One distress ( i.e. , a vertical crack) existed with the dimension of 15 cm × 1 cm. The corresponding reflected wave is shown in Figure 17(b), and it indicates that the vertical crack could also be identified through the reflected wave image.

总结:通过正演进行观察反射波图像。

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
内容概要:本文介绍了一种基于CEEMDAN-BiLSTM的中短期天气预测模型,通过将完全集合经验模态分解自适应噪声(CEEMDAN)与双向长短期记忆网络(BiLSTM)相结合,实现对复杂气象时间序列的高精度预测。首先利用CEEMDAN对原始气象数据进行多尺度分解,获得多个本征模态函数(IMF)分量和残差,有效解决模式混叠与噪声干扰问题;随后对各IMF分量分别构建BiLSTM模型进行独立预测,充分发挥其对前后时序依赖的建模能力;最后通过集成重构输出最终预测结果。文中还包含了数据预处理、特征提取、模型评估与可视化等完整流程,并提供了MATLAB实现的部分代码示例。该方法显著提升了天气预测的准确性与鲁棒性,适用于多类气象要素的中短期趋势预测。; 适合人群:具备一定机器学习和时间序列分析基础,从事气象、环境、能源等领域研究或工程应用的研发人员、高校研究生及数据科学家。; 使用场景及目标:①应用于温度、风速、降水等气象变量的中短期精准预测;②解决传统模型在非线性、多尺度气象信号建模中的局限性;③构建智能气象预测系统,服务于电力调度、灾害预警、智慧农业等实际业务场景。; 阅读建议:建议结合MATLAB代码实践操作,深入理解CEEMDAN分解机制与BiLSTM建模细节,重点关注数据预处理、模型参数调优与结果集成策略,同时可扩展至多变量联合预测以提升应用价值。
foliage-penetrating radar (fopen)是一项通过植被穿透的雷达技术。它的作用是通过林地或植被层的探测,获取地面下的信息。 fopen使用特定频率的雷达信号发射到植被中,然后接收反射回来的信号。这些信号经过精确的处理分析后,可以提供关于地下目标(如地下水位、土壤类型、物质组成等)的信息。 相比传统的地质勘探技术,如钻探和地球物理勘探,fopen具有以下优势: 1.非侵入性:fopen无需破坏地表或进行大规模设备安装,不会对环境造成破坏。 2.实时采集:fopen可以即时获取数据,避免了传统勘探技术中需要等待的时间。 3.高分辨率:fopen能够提供高分辨率的地下图像,对于地下目标的检测和解析能力更强。 4.适用范围广:fopen在土壤研究、水文学、农业、环境保护等领域有着广泛的应用,能够提供有价值的信息用于决策制定。 5.成本效益高:相比传统勘探技术,fopen的成本更低,更具经济性。 不过需要注意的是,fopen也存在一些限制,比如对于高密度的植被或多层植被的地区,信号穿透的效果可能降低,需要通过算法等手段进行处理。此外,由于信号穿透深度的限制,fopen通常只能提供浅层地下信息。 总之,foliage-penetrating radar是一项非常有潜力和应用前景的技术,通过对植被的穿透,能够提供地下目标的详细信息,为环境研究和资源勘探等领域带来了新的解决方案。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值