POWERLINE-ALS:一种用于输电线路场景深度学习语义分割的机载LiDAR点云数据集

为实现基于深度学习的输电线路点云精确语义分割,必须建立能够准确反映目标类别特征的点云数据集。但现有数据集无法满足输电线路场景点云语义分割的需要。因此,基于机载LiDAR获取的某地区500 kV超高压输电线路巡检点云数据构建了一套深度学习数据集——POWERLINE-ALS。该数据集包含地线、导线、杆塔、植被、建筑、低矮电力线等6个类别,输电线路长21 km。同时,利用PointNet++、PointCNN、KPConv、SPG、RandLA-Net等5种常用深度学习模型对数据集进行了训练和测试。模型实验结果表明,POWERLINE-ALS能够在目前主流的深度学习模型上应用,具有普适性,其最高测试精度和平均交并比分别达95.31%和82.25%,可以满足实际点云数据语义分割工作的精度要求。     

弯曲破坏冻融损伤RC框架梁柱数值模型

为探究弯曲破坏型冻融损伤钢筋混凝土(RC)框架梁柱抗震能力进而对其展开准确评估，通过对国内外已有冻融损伤RC梁柱拟静力试验数据的对比分析与归纳总结，深入系统地探究了冻融循环次数NFTCs、混凝土强度f_cu、轴压比n对RC梁柱抗震能力的影响.采用理论知识构建了未冻融RC框架梁柱弯矩-转角(M-θ)恢复力模型骨架曲线计算方法，进而提出了可考虑冻融损伤参数F(F综合了NFTCs和f_c的影响)和轴压比n影响的冻融损伤RC框架梁柱M-θ恢复力模型骨架曲线计算公式.在此基础上，基于能量耗散原理，引入循环退化指数β_i用以表征梁柱构件的强度退化与刚度衰减，构建了适用于弯曲破坏冻融损伤RC梁柱的M-θ恢复力模型.将所建立的M-θ恢复力模型代入到OpenSEES的零长度单元ZeroLength Element中，利用集中塑性铰模型建立了适用于弯曲破坏型冻融损伤RC梁柱数值模型.通过模拟值与试验值的对比表明，构建的数值模型能较为准确地标定低周往复下弯曲破坏冻融损伤RC框架梁柱的滞回性能，可用于RC框架结构的抗震能力评估.