水泥粉煤灰稳定钢渣路面基层材料研究

旨在合理利用钢渣和粉煤灰工业废渣,首先进行原材料基本性能试验分析,通过优选钢渣级配,添加碎石与钢渣按不同比例组合,进行击实、无侧限抗压强度、间接抗拉强度、室内回弹模量、稳定性试验和抗冲刷试验等各项基本力学性能指标试验,然后从路面基层材料的要求对其规律进行总结分析,为钢渣和粉煤灰工业废渣合理有效地应用到路面基层或底基层中提高科学依据。     

船舶工业企业技术创新风险评价研究

近年来,我国船舶工业进入了快速发展阶段,船舶工业企业都积极开展技术创新项目来抢占市场先机,谋求进一步的生存和发展.本文结合船舶工业企业特点,分析了引起船舶工业企业技术创新风险的因素、综合分析了专家意见和船舶企业未来预期运行状况、利用BP神经网络建立了技术创新风险评价系统、联系实证研究准确反映了船舶企业技术创新的风险状况;进而对船舶工业企业技术创新风险实行某种程度的防范和控制,对创新过程的管理具有支持作用.     

60°N以北地区探险邮轮港口选择与空间分异

以60°N以北地区探险邮轮为例，综合第三方邮轮网站发布的船期表数据，甄别出探险邮轮的停靠港口，通过Arc-GIS可视化分析工具刻画探险邮轮的港口空间分异格局，进一步探究疫情影响下探险邮轮的港口停靠规律。结果表明，60°N以北地区存在始发港和挂靠港两种功能类型的探险邮轮港口，数量比为1：9;探险邮轮港口的分布具有显著的空间非均衡性和尺度差异；疫情期间，探险邮轮运营商选择停泊的港口仅有摩尔曼斯克、卑尔根和奥勒松，这与港口设施区位、港口区域气候条件以及城市经济水平等因素密切相关。     

基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素；裂缝检测模型集成于机器人平台，从而实现对土木基础设施的全自动裂缝检测。为此，从以上4个方面对当前研究进行了系统梳理。首先，回顾了深度学习的发展历程，重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着，详细介绍了3类基于深度学习的裂缝检测主流算法，包括分类算法、目标检测算法和语义分割算法。然后，对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后，总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明：基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类，而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取；由于像素级标注的成本和专业性高，大型的裂缝语义分割数据集相对缺乏，致使当前基于语义分割算法的裂缝检测模型鲁棒性较差；目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价，缺乏统一的基准测试数据集和评价指标体系，无法对不同模型的性能进行平行比较；目前针对不同基础设施已相应开发了一些裂缝检测机器人，提高裂缝检测机器人的多场景适应性，并降低其应用成本是未来的发展方向。     

深圳市轨道交通枢纽规划建设实践与探索

通过对深圳市轨道交通枢纽3个发展阶段的全面回顾和总结,梳理轨道交通枢纽规划、建设及运营等方面实践积累的经验.结合深圳新的城市发展定位与要求,从枢纽总体布局、枢纽设施及空间组织、枢纽站城一体化、智慧枢纽4个方面阐述新时期轨道交通枢纽规划建设的创新探索.展望未来,提出轨道交通枢纽应以功能为导向完善布局及与城市空间体系和综合...