清华大学引入大跨度珩架结构建筑安全检测成果

欧根与清华大学合作，为大跨度钢结构建筑提供前沿的AI视觉检测解决方案

在公共体育场馆、机场航站楼、火车站、工业厂房等大跨度结构中，空间网架结构构件的变形、疲劳、腐蚀、焊缝开裂等都会影响结构的受力性能和承载能力。的整体结构。 包括全站仪在内的传统检测方法在评估现有网架结构时会专门考虑那些变形构件，并专门量化变形构件损坏的潜在风险。

目前，市场上常见的电网建筑结构安全检测方法，包括全站仪、结构光等方法，普遍存在工作量大、系统误差大、操作繁琐、数据处理复杂等问题。

近日，奥根介绍了清华大学土木工程学院在大跨度桁架结构建筑安全检测方面的AI视觉研究成果，一举解决行业痛点，为大跨度桁架结构建筑安全检测提供高效精准的解决方案。类似的建筑物。

原理介绍

大跨度钢结构建筑AI视觉安全检测采用基于图像的三维重建或三维扫描技术获得空间结构点云模型，进一步利用AREAS算法自动识别提取形状和结构件的变形，得到杆件变形和整体变形。 参数均衡后，对模型进行修正，评估结构承载力和刚度变化，从而快速有效地诊断空间结构的安全状态。

（基于图像的三维重建来识别部件变形）

（利用AREAS算法自动判断并提取杆件变形）

应用前景

该检测方法已在多个高铁车站、航站楼、体育场馆等复杂场景中得到应用。 其操作相对简单，对检测人员的风险较低，检测精度远高于传统检测方法，效果良好。 。

实施案例简介

一、项目概况

内蒙古某城市体育场上部结构由钢筋混凝土框架和钢网架屋顶组成。 建于2012年，体育场属于公共建筑，结构安全要求较高。 自施工以来每年都会对屋顶结构进行现场检查，并于2017年进行了全面评估。

体育场包含两个看台，每个看台均由钢格屋顶覆盖，即网格屋顶 A 和网格屋顶 B。此处显示了体育场和钢格屋顶的外部。 A、B屋顶垂直投影面积分别为8782平方米和9005平方米。 屋顶A和B的最长悬挑长度分别为35.318m和35.351m。 两个钢网架屋顶使用的钢材牌号均为Q235。 所取样栅棒试件的试验材料屈服应力为336MPa； 屋顶设计活荷载值为0.5kN/m2，风荷载数据根据风洞实验生成； 设计基本地震加速度为0.15g。

2.图像采集

对体育场屋顶的综合评估确定了四个弯曲钢管构件，其中一个位于屋顶 A，三个位于屋顶 B。屋顶 A 中的弯曲构件是腹杆构件（下图中的构件 #1），而屋顶中的弯曲构件B 由一个下弦和两个腹板构件（下图中的构件#2、#3、#4）组成。 弯曲杆的端部连接状况良好。 弯曲的可能原因是结构设计不当、极端负载或支架变形。

为了对弯曲杆进行基于数字图像的三维重建，分别在弯曲杆#1和#2周围拍摄了大约40张数字图像。 对于屋顶 B 中的弯曲构件 #3 和 #4，要重建的 3D 模型包含两个弯曲腹板构件，因此在它们周围拍摄了 110 张数字图像。 所有杆子照片均由摄影师在坡道支架上拍摄。 通过上述操作，实现了图像拍摄的多视角，图像序列的重叠率超过50%。 相机镜头采用105mm的固定长焦长度。

3. 三维重建

4. 激光点云与3D网络模型拟合

将获得的3D密集点云划分为三角形表面网格模型。 在描绘之前，手动删除错误点和不感兴趣的区域，直到仅保留观察到的弯曲管状构件。 生成的表面模型如下所示（弯曲管状构件的长度已标准化），其中包括弯曲管状构件及其端球节点。 从表面模型可以看出，从球形节点到管件中心部分，模型质量发生变化。 球节和管状构件端部的模型质量相对较低，而构件（特别是中间构件）的模型质量较好。 对于这种现象的一个很可能的解释是，杆的球形接头和端部可能比地面上的管状部分的中心部分更加模糊。 由于这种遮挡，球节点图像缺乏细节，导致 3D 点云模型和生成的 3D 表面模型的质量较低。 为了克服这个问题，在 3D 场景重建中需要有针对性地利用更多不同视角的图像。

与使用 3D 激光扫描仪的情况相比，通过基于图像的 3D 场景重建和表面网格模型生成的 3D 点云的准确性和质量可能较低。 然而，考虑到其在构件的工程变形测量中的应用，表面模型质量的轻微降低（特别是在球接头区域）不会导致显着的影响。 下一节将给出基于图像的3D场景重建方法的杆变形曲线的测量结果和精度比较。

5、弯曲变形指标测量

采用三角曲面模型对钢管轴线进行拟合，得到上述4根弯曲变形杆的轴向变形曲线。 同时，现场使用全站仪测量变形杆的弯曲度。 两者的比较如下图所示。 可见：两条曲线形状相似，差异相对较小，特别是对于弯曲构件（#1）。

此外，选取了两个重要指标来比较使用3D重建方法和全站仪测量的变形曲线，即最大变形值和最大变形发生的轴向位置。 表2对比结果表明，除4号弯曲变形构件外，两种方法的均方根、最大变形差值比、最大变形位置差值比均很小。