道路地下空洞/脱空参数与分布特性统计分析

随着中国城市化的快速发展,道路工程安全问题已成为城市公共安全的主题之一,并引起了国家和各级政府的高度重视。结合多个城市道路空洞探地雷达检测项目的检测结果,对道路空洞/脱空病害的参数特征与分布特征进行统计分析,并就其成因与机理进行了剖析和讨论,旨在揭示空洞/脱空的客观发育特性,提高行业对道路塌陷隐患的认识水平,并为城市管理、市政园林、交通运输等相关管养部门提供数据依据,建立健全道路塌陷隐患管养机制。     

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。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题,提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始轴承振动信号输入到网络模型中,利用具有残差连接的多个一维卷积层提取特征,再经过多个卷积池化,最后输入到Softmax层进行分类,输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析,结果表明,本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路,具有较强的抗噪性和泛化性能力。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

基于大数据迁移学习的灰岩地区排水孔淤堵自动识别技术

隧道排水管淤堵或者失效,会危及边坡的稳定和公路的交通安全.目前缺乏对排水孔淤堵分类的研究.排水孔淤堵分类对排水管道的后期养护具有重大意义.为探索排水孔淤堵智能化检测方法,文章依托广连高速高峰隧道等粤北实体工程,研究了一种采用模型迁移的方法,将排水孔图像数据输入预训练卷积神经网络进行训练,以对新图像进行分类.在采集的排水...     

基于卷积神经网络的防坡堤施工沉降预测*

为了保证防坡堤施工安全，通过预测不同施工阶段防坡堤的沉降变形，以调整施工进度和工序。传统沉降预测方法主要包括太沙基固结理论、曲线拟合法和BP神经网络，太沙基固结理论和曲线拟合法预测精度较低，BP神经网络需要大量样本才能逼近最优解。针对这些问题，提出基于卷积神经网络（convolutional neural networks，CNN）建立防波堤施工阶段的沉降预测方法。应用此方法预测天津港大沽口港区防波堤施工阶段沉降量和沉降速率，并以预测结果分析沉降速率所映射的安全风险等级，从而为实际施工提供行动指南。结果表明：卷积神经网络能较为准确地预测沉降变形速率，根据预测结果能够对安全风险等级的结果进行分析并予以指导。     

基于并行多任务深度学习的铁路主要技术标准优选

铁路主要技术标准是铁路全生命周期最重要的先决技术决策之一.传统的基于经验驱动的决策方法工作量大、周期长、严重依赖设计者的经验水平、可能遗漏有价值的方案.而主要技术标准优选的关键在于揭示多维环境因素与主要技术标准值之间的潜在映射关系.受深度学习在规律特征识别方面成功应用的启发,提出基于并行多任务深度学习的铁路主要技术标准优选方法:将影响技术标准决策的多维环境因素为输入,主要技术标准值为输出,构建深度学习模型发掘规律;提出将地形转换为图像,再卷积提取特征,并与运量、路网中的作用等数据融合的方法,解决多模态混合输入学习样本的生成难题;针对各标准之间相互关联问题,建立了适于主要技术标准优选的多任务神经网络结构,并通过大量实验,确定了卷积层、卷积核、全连接层等主要结构参数.经5736 km既有线路实例验证,主要技术标准决策的平均准确率可达88％以上.     

图像识别与卷积神经网络结合的船舶裂缝图像处理技术

裂缝是船舶致命的缺陷,不仅会降低舰船的防水性能,严重时还会导致整个船体的结构破裂,导致船舶沉没等严重事故。因此,在船舶的生产与制造过程中及时对船舶的裂缝进行识别,在船舶的正常运行维护中提早发现船舶的裂缝缺陷并处理,具有重要意义。传统的船舶裂缝识别主要靠超声波探测等技术,效率低,为了改善这一现状,本文研究了一种基于图像识别与卷积神经网络的船舶裂缝图像识别系统,分别从图像识别技术和神经网络算法进行了相关的阐述。     

基于卷积网络的受电弓图像目标检测与矫正方法研究

受电弓滑板监测装置(5C)存在安装角度偏差,其拍摄的受电弓图像易出现透视畸变,难以进行后续检测.本文提出一种受电弓检测与图像矫正方法,首先利用残差网络(ResNet)提取图像特征,再通过转置卷积网络提升特征图分辨率,最后利用定位得到受电弓4个顶点的坐标,完成受电弓的定位和透视矫正.实验分析了不同残差网络结构以及不同输入图像尺寸对受电弓顶点检测准确率的影响,结果表明,本文所述方法能够有效定位受电弓,且图像矫正效果良好.