錨桿-圍巖系統(tǒng)智能無損檢測理論與方法

第1章 緒論
1.1 背景及意義
1.2 錨桿錨固質(zhì)量無損檢測國內(nèi)外研究現(xiàn)狀
1.2.1 基于應(yīng)力波的錨桿錨固質(zhì)量無損檢測國內(nèi)外研究現(xiàn)狀
1.2.2 基于電磁超聲的錨桿錨固質(zhì)量無損檢測國內(nèi)外研究現(xiàn)狀
1.3 主要研究內(nèi)容
第2章 錨桿-圍巖系統(tǒng)無損檢測預(yù)備知識
2.1 常見錨桿類型
2.1.1 傳統(tǒng)錨桿
2.1.2 新型錨桿
2.2 導波無損檢測基礎(chǔ)知識
2.2.1 導波在錨桿-圍巖系統(tǒng)中的傳播
2.2.2 導波的衰減
2.2.3 頻散曲線
2.3 導波激勵信號及信號處理相關(guān)知識
2.3.1 應(yīng)力波激勵信號
2.3.2 基于小波的信號處理理論
第3章 基于應(yīng)力波的錨桿-圍巖系統(tǒng)數(shù)值仿真
3.1 砂漿錨桿-圍巖系統(tǒng)的數(shù)值仿真
3.1.1 自由錨桿響應(yīng)數(shù)值仿真
3.1.2 完整錨桿-圍巖系統(tǒng)數(shù)值仿真
3.1.3 錨固系統(tǒng)錨桿缺陷數(shù)值仿真
3.1.4 錨固系統(tǒng)灌漿層缺陷數(shù)值仿真
3.2 CREA錨桿-圍巖系統(tǒng)數(shù)值仿真
3.2.1 CREA模型建立
3.2.2 CREA錨桿受荷響應(yīng)數(shù)值仿真
3.2.3 CREA錨固系統(tǒng)受荷響應(yīng)數(shù)值仿真
第4章 基于磁致伸縮導波的錨桿-圍巖系統(tǒng)數(shù)值仿真
4.1 磁致伸縮導波無損檢測原理
4.2 基于磁致伸縮效應(yīng)的電磁超聲換能器換能機理
4.3 基于磁致伸縮效應(yīng)的電磁超聲換能器換能效率分析
4.3.1 基于磁致伸縮效應(yīng)的電磁超聲換能器有限元模型建立
4.3.2 激勵頻率對磁致伸縮電磁超聲換能器換能效率的影響
4.3.3 提離距離對磁致伸縮電磁超聲換能器效率的影響
4.3.4 線圈匝數(shù)對磁致伸縮電磁超聲換能效率的影響
4.3.5 偏置磁場對磁致伸縮電磁超聲換能器換能效率的影響
4.4 砂漿錨桿-圍巖系統(tǒng)數(shù)值仿真
4.4.1 完整錨桿-圍巖系統(tǒng)數(shù)值仿真
4.4.2 錨固系統(tǒng)錨桿缺陷數(shù)值仿真
4.4.3 錨桿-圍巖系統(tǒng)灌漿層缺陷數(shù)值仿真
第5章 錨桿-圍巖系統(tǒng)無損檢測試驗
5.1 錨桿模型制備
5.2 基于應(yīng)力波的激振與拾振系統(tǒng)
5.3 基于磁致伸縮超聲導波的激振與拾振系統(tǒng)
5.4 CREA錨桿-圍巖系統(tǒng)無損檢測試驗與分析
第6章 錨桿-圍巖系統(tǒng)無損檢測數(shù)據(jù)預(yù)處理
6.1 小波閾值降噪方法
6.1.1 小波閾值降噪原理
6.1.2 錨桿實測信號的小波降噪
6.2 變分模態(tài)分解與獨立分量分析聯(lián)合降噪方法
6.2.1 變分模態(tài)分解原理
6.2.2 變分模態(tài)分解參數(shù)選擇
6.2.3 VMD-ICA聯(lián)合降噪方法
6.2.4 錨桿實測信號的VMD和ICA聯(lián)合降噪
第7章 基于頻率響應(yīng)函數(shù)和概率神經(jīng)網(wǎng)絡(luò)的無損檢測方法
7.1 頻率響應(yīng)函數(shù)
7.1.1 頻率響應(yīng)函數(shù)的概念
7.1.2 頻率響應(yīng)函數(shù)的質(zhì)量評價
7.2 主元分析法
7.2.1 主元分析的基本原理
7.2.2 選取主元個數(shù)
7.2.3 對實測數(shù)據(jù)提取主元
7.3 概率神經(jīng)網(wǎng)絡(luò)
7.3.1 PNN的理論基礎(chǔ)
7.3.2 PNN的數(shù)學描述
7.3.3 PNN算法
7.4 粒子群優(yōu)化算法優(yōu)化PNN參數(shù)
7.4.1 粒子群優(yōu)化算法概述
7.4.2 動態(tài)調(diào)整PSO算法學習參數(shù)
7.4.3 基于PSO算法優(yōu)化PNN參數(shù)
7.5 基于PNN的錨桿無損檢測
7.5.1 PNN的缺陷識別模型
7.5.2 PNN對錨桿的缺陷識別與分析
7.5.3 PSO算法優(yōu)化PNN對錨桿-圍巖系統(tǒng)缺陷識別與分析
第8章 基于Elman神經(jīng)網(wǎng)絡(luò)的無損檢測方法
8.1 基于FNN的缺陷識別
8.1.1 FNN的結(jié)構(gòu)
8.1.2 FNN訓練算法
8.1.3 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的處理
8.1.4 隱含層節(jié)點數(shù)和學習率對FNN的影響分析
8.2 基于SO-Elman神經(jīng)網(wǎng)絡(luò)的缺陷識別
8.2.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及學習算法
8.2.2 修剪型Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
8.2.3 增長型Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
8.2.4 神經(jīng)網(wǎng)絡(luò)自組織參數(shù)設(shè)計
8.2.5 神經(jīng)網(wǎng)絡(luò)學習率自適應(yīng)設(shè)計
8.2.6 基于SO-Elman神經(jīng)網(wǎng)絡(luò)的錨桿-圍巖系統(tǒng)無損檢測結(jié)果分析
8.3 基于改進雞群算法的優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)
8.3.1 CSO算法
8.3.2 ICSO算法
8.3.3 基于ICSO算法的Elman神經(jīng)網(wǎng)絡(luò)模型
8.3.4 基于磁致伸縮導波的錨桿-圍巖系統(tǒng)缺陷分類試驗
第9章 基于生成對抗網(wǎng)絡(luò)的零樣本缺陷識別方法
9.1 生成對抗網(wǎng)絡(luò)理論介紹
9.1.1 生成對抗網(wǎng)絡(luò)基本理論
9.1.2 GAN的特點
9.2 多尺度卷積生成對抗網(wǎng)絡(luò)設(shè)計
9.2.1 多尺度卷積生成對抗網(wǎng)絡(luò)框架中生成器的構(gòu)造
9.2.2 生成對抗網(wǎng)絡(luò)框架中判別器的構(gòu)造
9.2.3 基于MSCGAN的零樣本缺陷識別
9.3 試驗結(jié)果與分析
9.3.1 卷積生成對抗網(wǎng)絡(luò)與其他算法的比較
9.3.2 不同尺度的卷積生成對抗網(wǎng)絡(luò)之間的比較
第10章 CREA錨桿拉伸形變識別方法
10.1 貝葉斯優(yōu)化
10.1.1 貝葉斯優(yōu)化器
10.1.2 貝葉斯優(yōu)化原理
10.2 CREA錨桿拉伸形變識別
10.2.1 基于貝葉斯優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)模型
10.2.2 基于貝葉斯優(yōu)化CNN模型的錨桿錨固形變識別
10.2.3 CREA錨桿拉伸形變識別結(jié)果