使用桩完整性试验原始数据检测桩端的递归神经网络长短期记忆模型

更智能的隐蔽基础检查

许多建筑和桥梁依靠埋在地下的混凝土长柱——桩来承载荷载。由于这些桩被埋藏，工程师无法直接目视检查其施工是否正确或桩端深度。本研究展示了一种人工智能模型如何读取简单锤击试验中的微弱振动信号并自动定位桩端——即桩在地中终止的位置，从而使这些隐蔽检查更快、更加可靠，并减少对个别专家判断的依赖。

工程师如何“聆听”埋藏的桩

为了在不挖掘桩体的情况下检查其状况，工程师使用低应变完整性试验。操作人员用小锤敲击桩顶，同时传感器记录桩的振动。冲击会沿桩传播应力波；当波遇到变化（例如桩端或缺陷）时会反射回来。便携设备将这些振动转成称为反射图的波形，显示信号随时间或深度的变化。经验丰富的工程师会结合现场信息及 ASTM D5882 和基于欧盟规范的规则等标准来判定桩体是否完好以及桩端位置。但这种解读可能带有主观性，耗时，并且易受噪声和土层条件影响。

为何引入深度学习

近年来，研究者尝试了多种人工智能方法来解读桩试验数据，从传统神经网络到基于图像的方法和信号分类器。这些方法通常需要手动从记录信号中提取特征或将信号转换为图像，并且可能难以捕捉波在桩中随时间演化的过程。本文作者则将注意力放在专为序列设计的模型上：具有长短期记忆的递归神经网络（RNN‑LSTM）。这类网络能“记住”时间序列中先前的信息，因而特别适合跟踪锤击引发的波在桩内传播、反射和衰减的过程。

把原始锤击信号变成干净的数据

研究团队汇集了来自埃及建设项目的500条低应变测试记录，这些项目涉及在分层土中成孔灌注的混凝土桩，长度为12至30米。每根桩都有随时间的原始加速度测量数据以及最初由人工绘制和解释的对应反射图。研究人员对这些图表进行了细致的数字化处理，使用已知的波速将深度转换为时间，并对纵向尺度进行归一化，以便比较不同桩的信号。在原始传感器数据方面，他们去除了高频噪声，使用稳健的统计尺度对信号进行标准化，并采用巧妙的填充和小幅随机变换，使神经网络能够处理不同长度的序列而不扭曲其模式。

神经网络的设计与测试

他们试验了多种网络结构，改变层数和每层的“神经元”数量。研究者在准确预测与计算开销以及避免过拟合之间寻找平衡。结果表明，采用六层 LSTM、每层 32 个单元的模型在这两者间达到了较好妥协。为帮助模型跟踪信号中的关键部分，他们在层间加入了捷径连接，并引入了注意力机制，让网络能关注关键时间区间。在 400 根桩上训练并在 100 个未见样本上验证后，最终模型在统计上高精度地重现了人工生成的速度曲线，预测信号与数字化参考之间的吻合度很高。

从数值到实际的桩端判定

除了统计指标，关键的实用问题是模型能否正确标记桩端位置。研究者对每个预测的反射图进行了目视检查，并将桩端位置与数字化参考比较。如果匹配误差在 5% 以内，评价为“良好”；在 10% 以内为“可接受”；超过则为“不良”。在训练集中，约 90% 的桩被评为“良好”，仅 4% 为“不良”。在验证集中，84% 为“良好”，6% 为“不良”。这些结果表明，在其训练的桩长、混凝土强度和试验类型范围内，该 AI 系统能够较为贴近专家解读，具有实际应用价值。

对更安全结构的意义

简言之，这项研究表明，一个设计合理的深度学习模型能够以自动方式将锤击桩体产生的原始振动记录转换为专家用于寻找桩端的那类曲线。这样可以减少人工步骤和人为错误的空间，同时保持基于熟悉图形的判定透明性。目前该模型仅适用于特定类型的传感器和与研究中相似的桩，但它指向了一个未来：例行的隐蔽基础检查将变得更快、更一致，并更易在繁忙工地上推广应用。

引用: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

关键词: 桩完整性检测, 深度学习, 递归神经网络, 无损检测, 土木工程