隧道衬砌背后空洞破坏机理及防治措施研究

结合中国隧道的病害特点,阐述了导致衬砌背后空洞的主要原因及其危害;用解析法分析了空洞对衬砌结构的破坏机理;根据空洞病害破坏特征及其相应的研究成果,探讨了空洞风险评估分级方法,并提出了相应的整治措施。     

机械振动源的联合块对角化盲分离算法

基于QR分解建立一种新的非正交联合块对角化（joint block diagonalization,JBD）（QRJBD算法）的振动源盲分离方法.该方法具有对目标矩阵的限制少、复杂度低、易于收敛到全局最优解等优点.结合双层加肋圆柱壳体结构的振动信号分离试验,从算法的收敛性、目标矩阵的数目、随机噪声水平、子块矩阵的维数等方面对QRJBD方法的性能进行了研究.由此,选取合理的算法参数,实现振动源信号的盲源分离,且分离精度和时间均优于现存常用的方法,充分说明新算法在振源分离中既保持了效率又提高了分析的准确性.     

应用灌浆技术处治公路路基下的空洞塌陷

隐蔽空洞处治是一项较复杂的工程。通过一处公路实例,介绍采用灌浆技术处治路基下的空洞、塌陷设计方案及施工工艺,对类似工程有借鉴作用。     

含壁后空洞盾构隧道管片安全分析

为探究空洞对盾构隧道的影响机理,通过建立考虑环、纵向接头的盾构隧道精细化数值模型,研究不同空洞深度、面积、位置等多种情况下管片内力、变形及截面安全系数的变化规律,并探讨管片不同拼装点位对含壁后空洞隧道的影响。研究结果表明：隧道壁后不同位置空洞对结构安全不利影响的排序为：隧腰>隧底>隧顶;空洞面积为5.0 m²时,随空洞深度增加,隧顶或隧底空洞中心处隧道截面弯矩及安全系数呈先减小后反向增大的趋势,且管片椭变先减小至0后反向增大,弯矩分别在空洞深0.3、0.2 m时反弯,左隧腰空洞中心处截面安全系数不断降低,管片椭变及弯矩大幅提升;空洞深度为0.5 m时,隧顶或隧底空洞中心处隧道截面弯矩均在空洞面积3.75 m²时反弯;空洞范围内存在纵缝会降低空洞中心处隧道截面内力并提升其安全系数,但其最大张开为空洞内无接缝时的2.0～3.5倍。研究成果可为盾构隧道壁后空洞安全评价、拼装点位选取提供参考。     

基于机器视觉的路面裂缝病害多目标识别研究

为了建立一种基于深度学习卷积神经网络的多目标路面裂缝检测模型,实现对路面裂缝的精确识别、分割与统计,采用卷积神经网络Mask R-CNN为主干框架,融入ResNet模型与特征金字塔网络(FPN)提高对病害特征提取的精度,建立了针对裂缝病害识别的基础网络体系;考虑裂缝病害图像特征,采用随机梯度下降算法与冲量算法优化损失函...     

行李安检禁限带物品识别多标签图像分类算法

有效识别禁限带物品的智能识别算法有助于降低安检人员劳动强度,提升旅客行李安检作业效率。文章采用图像多标签分类的深度卷积神经网络,通过引入图像注意力机制与动态元融合,能够在卷积前向传递过程中补充低层图像视觉线索,有效应对行李X光图像中物品影像混叠干扰及低分辨率特征混淆的问题,增强对细粒度特征的识别能力;同时,引入外部神经知识的元选择网络,实现网络多阶段预测的自适应融合,以避免权重偏置现象。实验结果表明,文章算法能够克服行李X光图像中影像混叠和物品尺度变化带来的禁限带物品识别困难,有效提高识别准确率。     

一种融合ST-GCN算法的高速公路节假日流量预测模型

为高效准确地预测节假日期间高速公路重要路段的交通流量,提出一种融合时空图卷积网络(Spatio-Temporal Graph Convolutional Network, ST-GCN)的高速公路节假日流量预测模型。该模型采用平均速度、交通流量等重要的交通指标作为交通状态评价体系要素,对节假日期间高速公路的交通态势进行综合预测;融合ST-GCN算法模型,综合考虑时空特性,得到准确度较高的预测结果。以宁夏回族自治区高速公路的节假日交通信息为研究对象,对该模型的有效性进行验证,结果表明,该模型相比其他常用预测模型准确度更高,具有更好的稳定性和鲁棒性,预测结果可供高速公路的管理和运营参考。     

基于卷积神经网络的铁路曲线特征点检测算法

针对现役轨道检测系统中曲线特征点检测算法参数难以适应实际线路中曲线半径范围较大,以及由于参数设置不当导致检测的曲线特征点位置与实际位置偏差较大的问题,结合机器学习算法,提出了一种基于卷积神经网络的曲线特征点检测算法.该卷积神经网络模型可以同时对曲线的特征点进行分类和定位,将一段连续的超高数据归一化处理后作为输入数据,计...     

一种基于深度神经网络的腕臂底座开口销缺失检测算法

在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最...     

基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。