基于LightGBM算法的基桩完整性智能诊断研究

作     者：宋立山 

作者单位：河北大学 

学位级别：硕士

导师姓名：吴兴征

授予年度：2024年

学科分类：081401[工学-岩土工程] 08[工学] 0814[工学-土木工程] 

主      题：基桩完整性检测 缺陷识别 低应变 机器学习 LightGBM算法 

摘      要：随着我国经济的快速增长,建筑行业蓬勃发展,桩基础被广泛地应用于建筑工程中,基桩为建筑物安全提供了第一层保障,对其完整性的检测是不可忽视的一项重要工作。对基桩完整性进行检测的方法目前应用较为广泛的是低应变完整性检测。它由工程师在现场通过敲击桩头产生沿桩身传播的应力波,应力波信号被基桩动测仪接收并输出速度时程曲线,工程师通过对曲线波形的分析,从而判定基桩的缺陷类型。在当下建筑行业蓬勃发展的情形下,必然造成了检测工程师的工作量大幅提升,且在检测曲线的判定中存在过程繁杂、工作效率难以保证、人工判定出错率高、判定结论给出不及时等问题。因此,寻找一种可以减轻判定工作量的辅助工具成为亟需解决的问题。 考虑到基桩低应变完整性检测的广泛应用,以及耗时费力的现状,为准确预测基桩缺陷类型,消除常规理论分析与实际状态的偏差,在阅读前人文献的基础上,参照已有研究成果,本文将基于梯度提升框架的LightGBM算法应用于对实测基桩低应变完整性检测数据的学习,完成了对水泥粉煤灰碎石桩、预应力高强度混凝土空心方桩、机械旋挖成孔灌注桩等三种不同桩型的缺陷识别判定,同时利用Shiny创建交互式Web应用程序,实现了在PC端和移动端均可进行基桩缺陷判定操作。 数据预处理时,对基桩低应变完整性检测曲线进行离散化处理,同时考虑桩径、桩长、应力波波速等因素,共同组成单根桩检测曲线的特征向量,作为LightGBM算法训练的输入向量,通过数据规模对算法参数进行合理设置后,使用90%的数据进行训练,10%的数据用于对算法模型训练效果的检验。此外,本文还将LightGBM算法预测结果与BP神经网络、支持向量机、XGBoost等算法的预测成果进行对比,结果表明:LightGBM算法模型成功地学习了基桩的缺陷类型与输入数据集之间的潜在联系,并给出了合理的预测;该算法能够得出与经验丰富的检测人员大体一致的结论,并且对于水泥粉煤灰碎石桩、预应力高强混凝土空心方桩和机械旋挖成孔灌注桩均做到100%准确率的缺陷识别判定,建议的算法模型具有较强实用性。