利用振动台试验和高精度地面激光雷达对垂直绿化系统进行实验评估 Vachan Vanian, Pavlos Asteriou, Theodoros Rousakis, Ioannis P. Xynopoulos, Constantin E. Chalioris

《Geotechnics》：Experimental Assessment of Vertical Greenery Systems Using Shake Table Tests and High-Precision Terrestrial LiDAR Vachan Vanian, Pavlos Asteriou, Theodoros Rousakis, Ioannis P. Xynopoulos and Constantin E. Chalioris

　　摘要 将垂直绿化系统（VGSs）整合到现有的钢筋混凝土（RC）建筑中，引发了关于界面运动学以及地震激励下土壤保持元件永久位移的问题。本研究通过实验研究了安装在立面和屋顶的活墙以及固定在有缺陷的RC框架上的种植舱在振动台激励下的残余位移。一个1:3比例的钢筋混凝土框架在两个不同的阶段进行了测试：最初作为有缺陷的、未经改造的结构（阶段A），随后作为整合了垂直绿化元件的改造系统（阶段B）。在连续的地震激励阶段之前和之后，使用了高精度地面激光扫描（TLS）技术生成密集的三维点云。通过点云之间的比较技术来量化整体结构位移和绿化组件的局部运动行为，同时将结果与传统的位移传感器进行了验证。RC框架显示出与拉线测量结果一致的毫米级永久位移。相比之下，种植舱表现出依赖于配置的行为，包括在重复激励下高达8厘米的平移滑动和达到13°的旋转响应，而活墙面板则保持稳定。值得注意的是，点云密度降低了95%后，仍能再现整体变形模式，其均方根误差（RMSE）为3.03毫米，并且量化出的峰值位移与全分辨率结果的偏差仅为约2%。这些发现证明了基于TLS的监测技术能够检测集成VGSs的差异运动行为，同时突显了使用不同坚固种植舱固定系统的摩擦基屋顶锚固性能的变异性。

1. 引言
城市密集化和气候适应策略越来越多地促进了垂直绿化系统（VGSs）在建筑环境中的整合。除了其建筑价值外，VGSs还对环境性能和微气候调节有所贡献[1,2,3]。然而，将VGSs整合到现有的钢筋混凝土（RC）建筑中，引发了关于界面运动学以及地震激励下土壤保持元件永久位移的问题。最近的框架强调了需要对VGSs进行系统分类，考虑结构和维护参数[4,5]。这些方法强调了将植被质量分布和锚固系统与现有RC建筑的结构行为相结合的重要性。然而，对集成垂直绿化系统的地震诱导几何响应的实验量化仍然有限。在地震区域，额外的立面荷载、锚固系统和屋顶种植组件可能会改变质量分布和动态响应特性。对带有砌体填充物的RC框架的实验研究表明，这些系统对连续地震激励和逐渐降低的刚度非常敏感[6,7]。在整个地震激励过程中（时间依赖性），垂直绿化组件与有缺陷的RC结构系统之间的具体相互作用已在GREENENERGY项目中得到系统量化并详细报告[6,7]。然而，使用替代监测方法在3d空间中提供不同极限状态之间的详尽点对点参考是重要的，即在每次地震激励之前和之后（时间独立）。可靠的变形监测对于评估结构响应和附着绿化的稳定性至关重要。传统技术提供离散的基于点的测量，限制了捕捉全场几何变化的能力[8]。地面激光扫描（TLS）作为一种高分辨率、非接触式的替代方法，能够生成密集的三维点云[9]。TLS已成功应用于结构损伤评估[10]、实验室研究[11]和地震诱导变形估计[12]。地面激光扫描（TLS）在岩土工程中受到了越来越多的关注，特别是因为其准确性、效率和非接触性质，用于表征、监测和建模地质和人造特征[13]。高分辨率点云数据集用于分析坡度变形、量化表面和体积变化[14]、评估挡土结构[15]、评估滑坡[16]等应用。在岩石工程中，TLS对于表面表征和粗糙度评估[13]、不连续性映射[17]、危险评估[18]、落石检测[19]以及监测悬崖面逐渐退化[20]非常有效。与传统的基于接触的仪器相比，TLS提供了全场空间测量，能够识别局部运动模式，包括滑动、抬升、旋转和累积位移。在循环或地震激励过程中，由于摩擦界面退化或逐渐脱离机制，可能会产生永久位移，这在浅基础系统、锚固结构组件和落石起始区经常观察到。多时相点云比较技术可以检测毫米级的残余变形[21]，这对于岩土结构健康监测和早期不稳定性评估至关重要。

从变形监测框架的角度来看，VGSs的整合引入了额外的复杂性。种植舱和立面系统在动态加载过程中可能会经历滑动、旋转或脱离。特别是依赖于摩擦基或部分约束锚固系统的屋顶种植舱，在重复地震激励下可能会表现出滑动或旋转不稳定性，即使主要结构框架仍在可接受的变形范围内。以非接触方式量化这种差异运动响应是评估垂直森林应用的安全性和韧性方面的一个显著进步，同时减少了对外部测量设备的需求。本研究通过在连续地震激励之前和之后使用高精度地面LiDAR扫描来生成密集的点云，以分析垂直绿化组件和有缺陷的RC结构系统的变形。应用点云之间的比较技术来量化整体和局部残余变形，并评估不同种植舱锚固配置的性能。此外，还研究了点云密度降低对变形检测可靠性的影响，以评估计算效率而不影响测量精度。据作者所知，这项研究代表了使用非接触式、全场3D监测对集成垂直绿化系统（VGSs）的地震诱导几何响应进行实验量化的首次尝试。与捕捉离散1D位移的传统传感器不同，这项工作独特地捕捉了复杂VGS组件的独立运动行为。方法上，本研究引入了一种新的工作流程，利用先验的有限元方法（FEM）网格从混乱的地震后点云中提取精确的感兴趣区域（ROIs）。最后，验证了点云密度降低95%（5%采样）仍能保持诊断精度（约2%的偏差），为快速、基于无人机的结构健康监测建立了框架，而不牺牲分辨率。

2. 试样详情和监测系统
该测试试样是作为希腊德谟克利特大学（DUTH）土木工程系进行的为期两年的GREENENERGY项目的一部分准备的[6,7]。测试程序包括两个不同阶段的多次地震激励。在阶段A中，设计了一个1:3比例的试样，模拟了典型的柱子缺陷（特征是横向钢筋不足、纵向钢筋比例低以及缺乏容量设计原则），这是采用现代地震设计指南之前建造的现有建筑的特点。试样由四个矩形柱子组成，均匀分布在矩形网格系统中，柱子间距为1米。每个柱子有四根直径为8毫米的纵向钢筋，放置在截面核心的角落区域。这些纵向钢筋由间距为50毫米的5.5毫米钢筋垂直约束。柱子的下端固定在一个坚固的梁基础系统中，以防止柱子屈服前的损伤累积（更多细节见[6]）。在顶部，柱子通过一个实心板连接，该板作为隔板，其中包含直接连接对面柱子的隐藏梁（更多细节见[6]）。在地震激励方向上，试样配置了部分填充物；在垂直方向上，框架开口被完全填充物填充。混凝土和填充物之间的界面用标准砂浆浇筑。阶段A的最终配置如图1a所示。图1. GREENENERGY项目试样在（a）阶段A、（b）阶段B和（c）项目最终演示期间。在阶段B中，试样进行了改造，以提高性能，而不会对建筑功能造成显著干扰。具体的干预措施包括在柱子和填充物之间的垂直界面处设置专门的地震接头，在柱子上缠绕玄武岩绳，并在填充物墙上安装纤维增强夹克。除了地震升级外，试样还增加了绿色设施，包括每个立面上的两个垂直活墙面板，以及安装在板顶部的五个种植舱，模拟了建筑物内外垂直森林的整合。有关选择标准和方法论的更多技术信息，请参阅[7]。改造后的配置如图1b所示，完全组装的试样如图1c所示。阶段A和阶段B的试样共享相同的传感器布局（技术规格见配套论文[7]）：12个单轴加速度计，分为三组，以精确捕捉X、Y和Z全局方向的加速度。两组分别放置在板延伸的中线左侧和右侧，一组在完全填充物的中间，一组在基础梁的中部高度。4个拉线传感器用于测量地震激励方向的位移。两个位于板的中部高度，另外两个位于基础梁的中部高度。16个应变计用于测量纵向钢筋的应变，以及4个安装在部分填充物上的表面应变计，用于监测水平和垂直应变。48个压电传感器（PZTs）用于捕捉每次加载序列后的试样状态。其中，37个PZTs作为“智能骨料”嵌入结构中（柱子、板、悬臂），而11个外部粘接到砌体填充物表面。独特的ArUco标记用于非接触式位移测量。在阶段B中，额外安装了13个PZT传感器来监测FRP夹克、玄武岩绳约束和聚氨酯接头。此外，还在种植舱和模拟的树延伸部分添加了光学标记，以在整个地震激励期间实时获得亚毫米级的平面内位移结果（概念验证见[22]）。这里实施的实验方法——特别是密集的多层传感器部署和使用的顺序、递增的振动台协议以及诊断暂停——与最近为评估大规模结构系统的动态韧性和组件级行为而建立的严格、最先进的框架一致[23]。实验程序包括动态推覆方法，包含28个动态载荷（包括14个白噪声和14个基于1978年塞萨洛尼基地震记录的缩放地震激励）。为了准确捕捉地震需求的严重性，结构底部的实际输入运动和峰值地面加速度（PGA）由安全安装在基础梁中心的专用三轴加速度计集群（ACC-10、ACC-11和ACC-12）连续记录（见图2）。关于所有28个地震激励的确切输入运动和多个输出的详细信息（除了光学监测）记录在实验活动的结构性能论文中[6,7]。图2. 所有地震阶段使用的参考地震激励和三轴加速度计集群（ACC-10（X方向）、ACC-11（Y方向）和ACC-12（Z方向））用于输入运动和PGA的持续记录。

2.1. 主要目标
本研究的主要目标是提供超出GREENENERGY项目[6,7]的新测量信息，重点使用高精度地面LiDAR系统检测结构和绿化的光学和测量永久变形。具体来说，研究了重复地震激励后五个种植舱的空间位置，以及每个阶段锚固系统的效率。此外，还研究了模拟活墙系统底部的关键固定点的行为以及每个部分的方向。最后，研究了整个钢筋混凝土结构在不同阶段的空间比较。研究了两种点云密度：100%（原始）和5%的随机样本。详细的方法论在以下段落中提供。

2.2. LiDAR信息
在本研究中，使用了Leica Scan Station P40（见图3）——一种高精度地面激光扫描仪（TLS），专为文化遗产记录、考古学和3D地理空间分析等要求苛刻的应用设计。当前型号在50米范围内提供3毫米的调查级精度和-20°C至+50°C的坚固工作温度范围，确保了对于需要毫米级细节解释的保护研究至关重要的可重复数据。它支持高达270米的操作范围，在34%反射率下工作，实时双轴倾斜补偿对于扫描不平坦地形至关重要。对于成像捕捉，它提供了高动态范围（HDR）能力，以增强材料纹理的上下文分析。图3. Leica TLS（a）Scan Station P40详细信息和（b）三脚架设置后的操作准备设备。

2.3.激光雷达扫描程序
在当前分析中，记录了试样状态的三个不同阶段。初始状态代表了任何地震激励之前的原始（未受损）条件，作为比较的基准。接下来是A阶段之后，未修复的试样在服务极限状态（SLS）下进行了测试。最后，在B阶段结束时，记录了试样的状态，此时试样与模拟土壤和植被质量的垂直钢构件以及配备扩展木构件的双混凝土舱一起进行了结构测试，以复制森林结构元素及其与试样的相互作用。在所有阶段（初始阶段除外），如图4所示，使用了五个扫描位置。扫描程序包括三个大约45度角的扫描（相对于地震激励的方向）和两个平行于含有ArUco标记的填充物的直接扫描。扫描顺序是逆时针方向，从位置1开始到位置5。这种策略确保了足够的数据密度，以便准确注册生成的点云并捕捉用于比较的关键几何形状。图4. TLS扫描位置方案和设置方向。由于TLS本质上是一种静态测量工具，每个扫描位置需要几分钟时间，因此所有扫描程序都在振动台完全静止时进行，在主要实验阶段之间的预定暂停期间进行。因此，生成的点云仅捕捉结构和VGS组件的永久性、残余变形（例如滑动、旋转和塑性漂移），补充了连续跟踪系统捕获的实时动态瞬态测量数据。所有扫描都使用表1中描述的设置进行。表1. 激光扫描参数和仪器配置。地面激光扫描仪（TLS）的平均高度约为1.67米。图5展示了A阶段结束时的原始扫描结果。在扫描过程中没有应用距离限制；因此，自动使用了默认的270米范围。这种方法确保了实验室的许多周围部分也被捕获，这些部分在扫描对齐后用作参考点。图5. A阶段结束时的原始扫描（启用强度场）。颜色代表相对激光返回强度，记录为16位无量纲标量值。颜色范围从蓝色（代表弱信号返回，最小值约176）到绿色和黄色，再到橙色/红色（代表强信号返回，最大值约64,894）。需要注意的是，最初没有应用自动注册。然而，在最后阶段——手动对齐之后——使用了CloudCompare v2.13.2软件中的优化算法[24,25,26,27,28]来改进结果。为了优化数据采集时间并排除实验室天花板的不相关结构元素，垂直扫描范围通常限制在-55°到+14°之间。然而，对于直接放置在试样旁边的扫描仪设置，上限扩展到+90°，以确保捕获屋顶种植舱和模拟树木扩展的完整几何形状。水平视图配置为包含整个结构，并留有从左到右稍微宽一点的视野，以确保安全的扫描过程。由于实验室地板没有显著的整体Z轴偏差，在初始仪器对齐后只需要进行最小的调平调整，以确保后续扫描点完美对齐。

2.4. 激光雷达数据处理
TLS捕获的数据最初需要使用特定的专有软件进行处理。为了确保研究社区的开放访问，数据随后被转换为.LAS格式。所有进一步的处理都是使用支持图形用户界面（GUI）和Python API编程的开源软件（CloudCompare v2.13.2 [29]）进行的。初始数据是使用平移和旋转工具手动对齐的，主要关注全局X轴和全局Y轴的位移，因为全局Z轴已经正确对齐。围绕全局Z轴的旋转仅用于将扫描定位在最终注册过程的合理距离。在点云术语中，“注册”是指将包含重叠部分的两个不同点云源合并成一个新的、合并的点云。在对齐远处相关对象之前，优先考虑主要研究对象（在本例中为实验试样）的这种方法有助于纠正Z轴旋转，从而最小化最终注册误差。图6展示了这一过程的演示。图6. A阶段结束时的点云数据（启用强度场）：(a) 位置2（左）和1（右）的原始扫描，(b) 手动调整后的注册，以及(c) 最终注册过程。对象比较实验使用了两种数据密度：原始密度和原始密度的1/20。此外，确定了后续使用的关键区域（ROI），如舱体和垂直绿墙模拟器、板和柱子。

经过初步比较后，发现基线扫描之后引入实验室环境中的物体增加了距离比较的数据范围。比较算法将这些新对象识别为高标量值，需要进行清理过程（如图7所示）。最初，使用原始点云的粗略裁剪在试样区域附近隔离了场景。使用PointCloud to Mesh距离工具，根据之前的有限元方法（FEM）模拟[30]的3D网格裁剪原始点云。3D网格在所有面上向外拉伸了约30毫米。这种缩放为算法提供了足够的间距，以便进行适当的修剪，同时保留与试样的潜在小范围永久变形相关的数据。图7. 点云数据清理过程：(a) 初始原始数据，(b) 在试样区域周围的粗略裁剪，(c) 导入FEM扩展的几何形状以进行正确的边界处理并执行PointCloud to Mesh距离计算，(d) 导出外部场值（>0），最后(e) 导出内部数据场（<0），其中有一些0.015米的重叠。在此过程之后，使用多边形选择或RGB颜色过滤（允许±1%的偏差容忍度）移除了不需要比较的任何残余点。为了避免意外移除所需区域内的点，首先将ROI从场景中粗略分离。然后将多边形选择或颜色移除过滤器应用于背景数据，然后再将数据集合并在一起。

为了定量评估最终注册的准确性，根据迭代最近点（ICP）优化计算了均方根（RMS）对齐误差。通过使用实验室环境中稳定的、不变形的元素（如地板和坚固的基础系统）作为参考几何形状，精细注册实现了0.00174米的最终RMS误差。这一低对齐误差证实了高度精确的几何注册，确保后续的位移计算不是扫描错位的产物。虽然云对云（C2C）标量场提供了全局位移幅度，但它们本身并不解析单个组件的具体方向向量或旋转角度。为了提取VGS元素的精确运动参数，使用了CloudCompare的手动基于特征的方法。

平移：在参考和变形点云中识别了每个舱体的不同、几何上稳定的角。“测量距离”工具用于选择这两个对应的点，计算它们之间的欧几里得距离以确定净平移量。
旋转：为了计算旋转位移，在每次扫描中选择了每个组件上的三个非共线几何特征（角或边）。使用“测量角度”工具，计算连接这三个点的向量形成的角度相对于参考方向的角度。这种方法允许根据特定几何特征的刚性运动精确确定旋转角度。

3. 结果与讨论
扫描结果在四个阶段进行了比较——S1（初始状态）、S2（A阶段之后）、S3（B阶段之前）和S4（B阶段之后），以评估永久性的全局和潜在的局部柱体变形：
S1 vs. S2：分析A阶段的影响。
S3 vs. S4：评估B阶段的影响。
S1 vs. S4：确定整个实验事件的累积结果。初始状态和A阶段之后的最终阶段的比较结果如图8所示。实验设置的接触分析传感器、拉线传感器在A阶段结束时记录了0.25毫米的永久位移。激光雷达分析提供了足够的平均测量范围相关性。如图8a中的图例所示，大多数试样表面显示在绿色光谱中，对应于1.0 × 10^-4米到5.0 × 10^-4米的值。刻度尺上记录的最大标量值（约1.7毫米）代表边缘的噪声而不是结构漂移。这个值（约1.7毫米）有效地建立了方法的空间不确定性界限（噪声底限），包括固有的扫描仪范围误差和ICP（迭代最近点）注册误差。位移必须超过这个阈值才能自信地区分于注册噪声。点云成功捕捉了试样的弹性行为，确认在A阶段没有发生显著的永久变形。图8. 使用云对云距离（启用绝对距离场）比较S1与S2：(a) 100%和(b) 5%（随机）点云数据。在28次强烈的重复地震激励之后，B阶段结束。初始和最终结果比较如图9a所示，其中拉线传感器记录了2.37毫米的永久结构位移。试样的板区域在标量场中保持在2.0 × 10^-3米以下。这证实了地面激光扫描仪可以可靠地检测到毫米级的永久性漂移，与专用位移传感器的精度相匹配。图9. 使用云对云距离（启用绝对距离场）比较S3与S4：(a) 100%和(b) 5%（随机）点云数据。激光雷达实施的一个显著优势是能够捕捉垂直绿化元素的行为，这些元素通过安装的拉线传感器难以监测。图9显示了B阶段期间试样上部的显著位移偏差。

虽然钢筋混凝土框架保持在安全的位移范围内，但模拟的种植舱根据其锚固配置表现出明显的独立运动[7]。最关键的行为出现在中间的种植舱（舱体4）中，如图9中的橙红色元素所示。标量场显示尖端的最大位移值约为9.2厘米（9.2 × 10^-2米）。对点云坐标的详细分析显示，舱体4相对于激励方向经历了大约8厘米的净平移位移。这种过度运动直接归因于其锚固配置（配置4）；该舱体缺乏机械固定（纤维或钢），仅依赖于放置在舱体和混凝土板之间的聚氨酯片提供的摩擦力。B阶段引入的重复地震能量显然克服了摩擦阻力，导致了显著的滑动。这种过度运动可以通过比较预期的地震惯性需求和可用的滑动阻力来定量验证。种植舱4（配置4）完全依赖于聚氨酯PM垫提供的摩擦力。种植舱组件的总质量为m = 159公斤（包括153公斤的混凝土双种植舱和6公斤的模拟树木）。根据实验材料测试，聚氨酯-混凝土界面的静态摩擦系数确定为μ ≈0.70。对于聚氨酯-混凝土界面，有效滑动阻力计算为VR = μ ? m ? g ≈1.09 kN。根据结构加速度计数据，在最大EQ1.4 g激励期间，板层的峰值地面加速度（PFA）达到了1.8 g。这产生了峰值地震惯性需求FI = m ? PFA ≈2.81 kN。由于最大惯性需求（2.81 kN）大约是摩擦阻力的2.6倍，因此严重的滑动在机械上是不可避免的。此外，引发滑动的理论加速度阈值（a?????????? = μ ? g ≈0.70 g）首次在EQ0.5 g激励阶段被超过（记录的PFA达到了0.77 g）。这一数学阈值与实验观察结果完美吻合，因为Planter 4的最初微位移在EQ0.5 g时被精确记录下来，最终累积滑动距离约为8厘米，这一过程被TLS系统捕捉到。相比之下，配备机械锚固装置的舱体（舱体1、2、3和5）表现出不同的运动行为，主要特征是旋转而非单纯的平移：舱体1（使用钢杆锚固，配置1）表现出最硬的响应，仅记录到1.3厘米的X方向平移位移。舱体2、3和5分别使用玄武岩绳索作为锚固装置（配置2、3和5），它们主要围绕垂直Z轴发生旋转（偏航），而不是整体滑动。舱体5（两条完全预张紧的玄武岩绳索）围绕Z轴旋转了最多?13.09°。舱体2（一条完全张紧的绳索，一条部分张紧的绳索）围绕Z轴旋转了?4.44°。舱体3（一条完全张紧的绳索，一条部分张紧的绳索）围绕Z轴旋转了+1.82°，同时顶部和底部子舱沿Y轴滑动了2.78厘米。此外，从舱体2、3和5延伸出的模拟树元素显示出平均顶部位移为6.3厘米，表明尽管有底部锚固，但在树冠层仍存在鞭打效应。最后，关于立面上的垂直生态墙面板，没有观察到显著的厘米级位移或旋转。这种稳定性表明，用于垂直生态墙的金属锚固系统足以克服B阶段引入的重复惯性能量。

为了在不受绿色植物位移视觉干扰的情况下评估结构性能，图10提供了A阶段和B阶段之间结构共同组件的比较。图10使用云对云距离（启用了绝对距离场）比较了S1与S4，分别针对（a）100%和（b）5%（随机）点云数据。为了验证使用较轻数据负载的可行性（例如，用于基于无人机的检查或快速处理），将全分辨率扫描（100%密度，约8000万点）的结果与5%的随机子样本（约400万点）进行了对比。对图8、图9和图10的视觉检查显示，变形模式是相同的。在低密度点云中，标量场的空间分布得到了完美保留。为了量化差异，比较了图例中记录的最大标量值：A阶段（图8）：最大范围略有偏差（100%为1.73毫米，5%为1.80毫米，绝对差异为0.07毫米）。B阶段（图9）：关键的高变形区域显示出高度一致性，最大记录值分别为92.3毫米（100%）和94.2毫米（5%）。相对差异：在所有阶段中，密集点云和稀疏点云在量化峰值位移方面的相对差异约为2%。

为了严格量化密度降低的可靠性，对全分辨率（100%）和子采样（5%）点云的标量场进行了点对点统计比较。两个数据集之间的差异场显示出平均偏差为?1.13毫米，标准差为2.81毫米。这导致整个结构包络的全球均方根误差（RMSE）为3.03毫米。鉴于关键高变形区域（如种植舱）的最大位移达到了94.2毫米，这一较低的RMSE表明变形的空间分布和幅度在统计上是保留的。由于整体偏差很小，相对百分比差异也很低，因此可以得出结论，5%的采样密度足以检测到整体漂移和局部组件故障。这种减少使得处理速度提高了20倍，同时不牺牲诊断准确性。

除了本文中的结构评估外，该研究的发现还突显了高精度TLS在岩土工程监测中的更广泛适用性。毫米级永久性位移、旋转行为和摩擦控制滑动机制的准确检测证明了点云比较技术捕捉土壤-结构相互作用效应和循环位移累积的能力。类似的方法可以扩展到岩土工程系统，如浅基础、挡土结构和易发生落石的斜坡，在这些系统中，早期识别局部位移或脱离区域对于风险缓解至关重要。减少密度数据集（5%采样）的可靠性进一步支持了快速现场部署的可行性，包括使用基于无人机的TLS进行的大规模斜坡和岩体稳定性评估。

4. 结论

本研究探讨了使用高精度地面激光扫描仪对经过模拟地震和绿化/能源升级的典型旧结构进行永久性变形检测的方法。它提供了一种可靠的流程，可以在常规的中高端计算机系统上扫描和处理大量点云数据（每次扫描8000万点以上）。此外，它还利用开源技术提供了对引入或从检查系统中移除的组件的快速识别系统。与用于永久性变形的实验拉线设备相比，结果非常接近，同时提供了几乎整个结构包络的位移细节。已经证明，该算法仅使用原始数据的五分之一（5%）就能提供足够的信息；当使用具有类似功能的无人机进行扫描时，这可能导致几乎实时的应用。该应用的主要限制是需要事先扫描结构的数据。总体而言，当前研究的数据表明，垂直森林舱支撑系统在连续的严重地震事件中，就永久性点对点位移而言，受到的影响比垂直生态墙支撑系统更大。重要的是，这项工作在之前的TLS基础监测研究基础上，展示了分离VGS组件内不同运动行为（滑动、旋转）的能力。通过利用高分辨率3D点云，该研究捕捉到了组件表面的局部变形模式，提供了比传统仪器更详细的空间信息，支持对结构稳定性的更细致评估。TLS可以提供快速可靠的基于性能的系统评估，以便在紧急情况下做出全面决策。