1. 引言
随着我国经济发展的需求,生产生活中对电力的需求逐年增加。目前我国发电的主要方式分为火力发电、水利发电、光伏风力发电等,其中水利发电占据18%的份额,未来占到20%的重要组成部分。水利建设是未来一个重点工程,除了关乎民生,更重要的是实现一定程度的碳中和,因此水利工程建设必不可少。水利工程中较为常见的是大坝建设,而大坝又分为重力坝、拱坝等常见的建造形式。其中拱坝是凹向下游的一种构筑物,利用周边岩体的稳定特性支持了坝体受到的水与泥沙的冲击力。其自身不依靠重力作用来维持稳定性,主要依靠周边岩体与地基的反支撑,建造成本相对较低,是性价比与安全系数较高的坝体。拱坝案例中最具代表性的白鹤滩水电站中的大坝就采用300多米高的拱坝样式,已成为继三峡之后的世界第二大水电站[1]-[3]。大坝受到自身重力及水体压力的双重作用,坝体受到严重的挤压。为保证坝体的安全与上下游居民、生态环境的和平共处,定期对坝体监测必不可少。常规的水准仪、全站仪只能采集单点形式的监测点,无法确保坝体整体安全[4]-[6]。三维激光扫描技术的发展,引领测绘技术进入一个新的领域。该技术可获得被扫描体大量密集点云,具备了传统测量仪器不具备的优点,广泛应用在工程领域的变形监测中[7]-[9]。
本文以实际工程为依托,采用站式三维激光扫描仪获取坝体前后表面数据,并以点云模型建立拱坝的拱圈模型,与成熟的C2C、C2M、M3C2算法计算的坝体变形量比较分析,试验结果验证了与其他方法所计算的变形相差不大,证明了本文所建立模型的可行性。
2. 拱圈点云提取
拱坝作为一种三面受周边岩体约束的结构,当受到水流及其他外力作用时,依靠拱的特性,拱坝会将大部分水平推力传递至两岸岩体,其中一少部分传递至坝体地基。这证明了坝体轴向变形与坝地基变形较小,沿着水流方向产生的变形是拱坝监测的主要内容。配准两期点云数据,比较距离变化可获得拱坝坝体的形变监测变化。
顾及测站获取的点云具有离散不规则分布的特性,设置高程值为Z的缓冲区域,提取高程值为Z ± ΔZ的点云集合。提取到的点云数据可分为两组,第一组高程值从Za到Za + ΔZ集合;第二组高程值从Za到Za − ΔZ集合。对于集合
中任意点
,在集合
中寻找最近点
。那么
和平面Z = Za的交点
可由公式(1)计算得。
(1)
3. 建立拱圈点云模型
考虑到常见拱坝跨度都较大的问题,为精确构建拱坝的拱圈模型,对不同时期坝体点云采用最小二乘法拟合拱圈模型。
拱圈点云数据中假定一个子集合中拟合函数f(x)可以表示为:
(2)
式中
为待求参数,它是坐标x的函数,
为基函数,它是k次完全多项式,阶数为m。
公式(3)中L2加权离散范式:
(3)
把公式(2)代入公式(3)中,可得如(4)式所示:
(4)
式中,n是在这个局部子域内影像节点的点的个数,f(x)是拟合的函数,yI是节点数值,即
,
是节点xI的权函数。要解出系数a(x),必须使得公式(4)计算出最小值,因此对式(4)求a倒数可得:
(5)
所以有:
(6)
(7)
(8)
(9)
将公式(6)代入公式(5)中,即可得到移动最小二乘拟合函数为:
(10)
式中:
表示形函数,
。
基函数与权函数在移动最小二乘中扮演着关键角色,权函数可分为三次样条函数、高斯权函数、径向基函数。在以节点np为圆心,影响半径为R,此时包含在圆内的采样点集合p,圆外对节点np的影响为0,半径R选择的合理的值域对其影响较大。基函数中参数预先进行设置,其中包括阶数k与项数m的确定对拟合函数的拟合效果产生深远影响。阶数设置的越高、项数高产生的拟合效果越精细,但是拟合时长越长,导致的效率越低。
4. 试验结果与分析
为验证本文方法的有效性,依靠MATLAB软件编程实现本文的基于拱圈模型算法,与现有点云数据处理算法比较。运用开源软件Cloud Compare软件中包含的基于近邻点(C2C)、基于点到模型(C2M)、基于多尺度模型(M3C2)算法比较分析。这样即可快速与本文算法比较与分析,提高了大坝变形监测的内业处理效率。
4.1. 试验
本次试验对某拱坝进行两期的地面三维激光扫描数据采集,其中第一期采集时间为2023年2月2日~4日;第二期采集数据时间为2023年12月2日至4日。两期点云数据采集时,坝内蓄水量基本一致。设备选用Trimble SX10三维激光扫描仪,为保证数据的准确性两期采集时基本保持同一位置,且仪器内参数设置均相同。每期数据在拼接、去噪之后方可进行拱坝坝体形变计算与分析,第一期点云模型为基准,计算第二期点云模型变形量,拱坝背水面形变值用颜色梯度来表示,以水流流向方向为正方向,即Y轴方向。统计变形量可用平均变形值(Mean)与标准差(Standard deviation)。
(1) 基于近邻点(C2C)算法
由图1(a)所示,无法估计大坝变形方向与各个区域变形情况,得到的变形之普遍偏大,由图1(b)可知,坝体变形之区间在−50.18 mm~−10.25 mm之间,坝体的平均变形值为−30.21 mm。
(a) 坝体变形渲染图 (b) 变形统计直方图
Figure 1. Deformation results based on nearest neighbor point (C2C) algorithm
图1. 基于近邻点(C2C)算法变形结果
(2) 基于点到模型(C2M)
以水流方向为Y方向,计算变形方向与数值。由图2(a)中颜色区分可知,坝体整体有负向位移,越靠近坝顶,变形值越大,坝体两端相对于中部变形较小。在靠近坝底的位置,存在少量的正向变形。由图2(b)可知,坝体整体变形区间为−27.23 mm~4.07 mm,平均变形值为−12.01 mm。
(3) 基于多尺度模型(M3C2)算法
由图3(a)可以看出,该算法计算的坝体变形分布于C2M算法计算的结果较为相似,大坝平均变形为−11.92 mm。由图3(b)可知,坝体的变形区间为−26.70 mm~2.86 mm区间。
(a) 坝体变形渲染图 (b) 变形统计直方图
Figure 2. Deformation results based on point to model (C2M)
图2. 基于点到模型(C2M)的变形结果
(a) 坝体变形渲染图 (b) 变形统计直方图
Figure 3. Results based on multi-scale model (M3C2)
图3. 基于多尺度模型(M3C2)结果
(a) 坝体变形渲染图 (b) 变形统计直方图
Figure 4. Results of the method in this article
图4. 本文方法结果
(4) 本文方法
本文方法中对所获取的点云数据构建了4018个曲线模型,并进行了距离计算,获取了该拱坝的变形量分布图,如图4(a)所示。由图可知,二期拱坝点云相对于一期有负向位移,且越接近坝顶变形越大,越靠近中间变形同样越大,四个闸门附近变形量有正向27 mm。中部区域受到的静水压力与库容水位相关,相同水位时,坝体两侧水压力逐渐变小,坝体变形分布较合理更加符合实际情况。由统计直方图图4(b)可以看出,坝体变形量主要分布在3.74 mm~−27.10 mm区间,平均变形量−11.98 mm。
4.2. 对比分析
上文中比较了三种常见成熟的点云变化计算算法与本文方法,利用激光扫描测量得到拱坝坝体的点云数据,计算结果表明了变形结果与预期相差不大。统计直方图与高斯曲线拟合计算变形平均值、标准差。统计如表1所示,表格中负号数值为变形方向为上游,C2C方法平均变形值最大,标准差同样最大,表明该方法不适合拱坝变形监测。本文方法与其他另两种均值与标准差相差较小,证明了本文方法达到了主流算法的水平。
Table 1. Calculation results of each method
表1. 各方法计算结果
计算方法 |
均值(mm) |
标准差(mm) |
变形范围(mm) |
耗时(min) |
C2C |
−30.21 |
10.18 |
−50.18 mm~−10.25 mm |
7 |
C2M |
−12.01 |
8.01 |
−27.23 mm~4.07 mm |
25 |
M3C2 |
−11.92 |
7.54 |
−26.70 mm~2.86 mm |
49 |
本文方法 |
−11.98 |
8.02 |
−27.10 mm~3.74 mm |
18 |
5. 结束语
本文基于点云数据建立拱坝的拱圈模型,并与成熟的三种算法比较分析。四种算法应用于同一拱坝点云变形监测项目,研究了四种方法在拱坝变形监测中差异性与影响变形分析的因素。本文方法在变形范围、均值精度方面均与成熟模型一致的精度,效率方面也达到了主流水准,试验结果表明了文中所提方法能够满足拱坝的变形监测精度要求。