摘要
随着我国社会和经济实力的不断进步，人们对于建筑和居住环境提出了更高的要求，传统的粗放式建筑模式已不能顺应时代的需求。为此国家大力推动装配式建筑的发展，力图推动传统建筑模式向新型工业化建筑模式转型。装配式建筑采用工厂预制构件和现场组装的施工方式，竖向构件间多为灌浆套筒连接。由于施工工序复杂等原因，装配式建筑中灌浆套筒连接的施工容易产生质量缺陷，这必然会对结构的安全性产生一定的影响。局部动力响应信号蕴含着非常丰富的缺陷信息，然而传统的数据分析方法难以从这些局部响应中提取有效的缺陷信息，深度学习凭借其强大的数据挖掘、特征提取和分类识别能力，成为数据挖掘和缺陷识别的利器，也为上述问题提供了一个理想的解决方案。因此，本文将深度学习算法应用到装配式混凝土结构缺陷识别中，建立基于深度学习的装配式混凝土结构缺陷识别方法。该方法利用深度学习对装配式混凝土结构的局部响应信号进行逐层特征变换，最终提取出反映结构响应缺陷信息的概率特征，并结合定性分析和定量分析实现装配式混凝土结构的灌浆套筒缺陷识别。利用装配式框架结构和装配式剪力墙动力检测试验，系统地验证了该方法的可行性、有效性和准确性。主要研究工作如下： （1）梳理深度学习技术基础，并重点对其中卷积神经网络的基本结构、工作原理和关键算法进行研究，为基于深度学习的装配式混凝土结构灌浆缺陷识别的研究提供理论基础。 （2）建立基于深度学习的装配式混凝土结构缺陷识别方法，该方法利用卷积神经网络直接提取装配式混凝土结构动力响应中的缺陷特征，结合定性分析和定量分析实现装配式混凝土结构的缺陷识别。 （3）为验证该方法在装配式框架结构缺陷识别中的可行性和有效性，设计并完成一个缩尺装配式框架结构的动力检测试验。利用上述方法从缺陷存在性、缺陷位置和缺陷程度等三个层面对该框架进行缺陷识别。 （4）为验证该方法在装配式剪力墙缺陷识别中的可行性和有效性，设计并完成一个足尺装配式剪力墙动力检测试验。利用上述方法从缺陷存在性和缺陷类型等两个方面对装配式剪力墙进行缺陷识别。
NETL