包邮城市地铁盾构隧道病害快速检测与工程实践

第1章绪论1

1.1城市地铁发展现状/1

1.2地铁隧道结构病害现状/3

1.3地铁隧道结构病害检测技术/5

1.3.1基于摄像测量的自动检测技术/6

1.3.2基于激光扫描的自动检测技术/7

1.3.3探地雷达无损探测技术/8

1.4地铁隧道结构病害检测技术发展趋势/9

第2章城市地铁隧道结构病害11

2.1地铁隧道衬砌结构、施工方法和病害基本类型/11

2.1.1地铁隧道的结构形式/12

2.1.2地铁隧道的施工方法/13

2.1.3地铁隧道结构病害的基本类型/14

2.2上海地铁盾构隧道运营环境与结构病害/26

2.2.1上海地铁隧道运营环境/27

2.2.2上海地铁隧道病害调查/34

2.2.3隧道结构病害特征与规律总结与分析/44

2.3隧道结构检测项目及措施/48

2.3.1隧道结构检测项目/49

2.3.2隧道结构检测措施/51

第3章盾构隧道结构病害常规人工检查53

3.1检查类型及作用/53

3.2检查内容/54

3.2.1渗漏水/55

3.2.2管片损伤/58

3.2.3结构形变/59

3.2.4结构裂化老化/59

3.2.5其他病害/61

3.3资料成果要求/62

3.3.1记录表/62

3.3.2记录影像/66

3.3.3其他信息/66

第4章盾构隧道三维激光扫描检测68

4.1三维激光扫描检测原理/68

4.1.1脉冲飞行时间测距法/69

4.1.2调制波相位测距法/69

4.2三维激光扫描检测设备及其选用/70

4.2.1三维激光扫描检测设备/70

4.2.2三维激光扫描检测设备的选用/73

4.3三维激光扫描检测软件/74

4.3.1数据采集/74

4.3.2坐标系配准/76

4.3.3点云去噪/78

4.3.4数据压缩/80

4.3.5三维模型重建/82

4.3.6纹理映射/85

4.3.7工程与数据管理/86

4.4三维激光扫描检测数据处理方法/87

4.4.1隧道变形与轮廓限界/87

4.4.2病害图像处理/90

4.5三维激光扫描检测发展趋势/91

第5章盾构隧道摄影成像扫描检测94

5.1摄影技术概述/94

5.1.1摄影发展简史/94

5.1.2摄影基本概念/95

5.2摄影测量介绍/97

5.2.1摄影测量概述/97

5.2.2摄影测量基本概念/98

5.2.3常用摄影测量解析方法/100

5.2.4摄影测量用于断面变形检测的研究/102

5.3摄影测量仪器与检测装备/103

5.3.1图像传感器/103

5.3.2图像采集卡/107

5.3.3照明光源/109

5.3.4旋转编码器/111

5.4移动式隧道病害检测系统/111

5.4.1检测系统组成/111

5.4.2模拟隧道试验/113

5.5摄影成像扫描检测/116

5.5.1检测计划/116

5.5.2检测过程/116

5.5.3检测装置与人员配置/117

5.5.4检测报告/117

5.6数字图像处理/117

5.6.1数字图像处理简介/117

5.6.2数字图像处理基本步骤/118

5.7图像数据库系统/122

5.7.1MySQL概述/122

5.7.2系统开发/122

第6章盾构隧道壁后注浆探地雷达无损探测127

6.1盾构隧道壁后注浆目的及施工中存在的问题/127

6.1.1壁后注浆的目的/127

6.1.2壁后注浆系统分类/128

6.1.3注浆材料的选择/129

6.1.4壁后注浆施工中的问题/129

6.2隧道壁后注浆探地雷达无损探测国内外研究

现状/131

6.3盾构隧道壁后注浆探地雷达无损探测模拟试验

研究/133

6.3.1探地雷达无损探测原理/133

6.3.2盾构隧道壁后注浆探测模拟试验/135

6.4盾构隧道壁后注浆探地雷达无损探测正演数值

模拟分析/157

6.4.1盾构隧道壁后注浆探地雷达时域有限差分法数值

模拟框架/157

6.4.2盾构隧道壁后注浆纵向分布数值模拟/159

6.4.3盾构隧道壁后注浆环向分布数值模拟/170

6.4.4数值正演模拟结论/173

6.5盾构隧道壁后注浆探地雷达无损探测结果的图像

识别技术/174

6.5.1基于小波神经网络的图像识别技术/175

6.5.2基于小波神经网络的隧道壁后注浆探测识别结果/181

6.5.3盾构隧道壁后注浆探地雷达无损探测图像识别案例/185

第7章基于深度学习的图像处理194

7.1机器学习与深度学习/194

7.1.1机器学习/194

7.1.2深度学习/195

7.2人工神经网络/195

7.2.1人工神经网络的构成/196

7.2.2人工神经网络的反向传播算法/197

7.2.3人工神经网络的相关参数/198

7.3深度学习方法/198

7.4基于深度学习的隧道病害识别实例/202

7.4.1渗漏水病害识别的全卷积网络模型/202

7.4.2基于RFCN的隧道衬砌病害检测模型/210

第8章盾构隧道结构检测的其他方法221

8.1隧道结构渗漏水红外检测/221

8.1.1检测原理/221

8.1.2隧道实测/222

8.2隧道纵向沉降静态监测/224

8.2.1基于倾角传感器的纵向沉降静态监测方案/224

8.2.2基于倾角传感器的纵向沉降静态监测传感器研发/227

8.2.3无线纵向沉降传感器室内试验/233

8.2.4无线纵向沉降传感器现场试验/236

8.3隧道纵向沉降动态监测/244

8.3.1基于倾角传感器的纵向沉降动态监测方案/244

8.3.2机械设计思路/248

8.3.3数据处理及无线传输系统/251

8.3.4数据处理及无线传输系统单元电路设计/252

8.4隧道裂缝深度检测/254

8.4.1裂缝发展情况跟踪监测/254

8.4.2裂缝深度扩展情况监测/255

第9章盾构隧道结构检测实例258

9.1隧道结构三维激光扫描检测实例1/258

9.1.1工程概述/258

9.1.2检测仪器/259

9.1.3检测过程/260

9.1.4内业作业/262

9.2隧道结构三维激光扫描检测实例2/269

9.2.1工程概述/269

9.2.2检测仪器及流程/269

9.2.3外业作业/270

9.2.4内业作业/272

9.2.5成果质量检查/276

9.2.6测量成果/278

9.3隧道结构表面病害摄影成像扫描检测实例/283

9.3.1工程概述/284

9.3.2检测仪器/284

9.3.3检测流程/285

9.3.4外业作业/285

9.3.5内业作业/288

9.3.6检测结果统计/299

9.3.7摄像测量检测技术优势总结/300

9.4隧道壁后注浆层探地雷达探测实例/301

9.4.1工程概述/301

9.4.2现场检测方案及数据分析/302

第10章总结与展望306

参考文献310

附录321

附录1隧道结构检查结果报告/321

附录2表单式记录/326

附录3展开图/327