基于卷积神经网络的钢渣砂图像识别及图像变化规律

钢渣安定性检验是实现钢渣安全资源利用的关键,针对钢渣安定性检测方法的效率低且受到取样代表性不足的问题,提出一种基于卷积神经网络的钢渣砂图像分类模型SE-ConvNeXt。该分类模型针对钢渣砂的图像特征,在ConvNeXt网络中添加通道注意力机制SE-Net（squeeze and excitation network）。相比于原ConvNeXt和其他卷积神经网络模型,SE-ConvNeXt的收敛速度更快,训练过程更稳定,准确率更高。实验数据集采集于蒸汽处理前后的钢渣砂图像,钢渣砂的粒径为4.75-2.36mm和2.36-1.18mm。分别使用两个粒径的钢渣砂图像训练网络,并分析钢渣砂图像变化规律。模型预测两个粒径的钢渣砂图像数据集准确率分别为92.5%、94%,且两个粒级的钢渣砂图变化规律相似,随着蒸汽陈化时间的增加,变化程度逐渐变小,随后图像变化程度趋于稳定。分析粉化率的变化规律,钢渣砂粉化率变化规律与钢渣砂图像变化规律具有相关性,蒸汽处理的钢渣砂可通过钢渣砂图像评价体积安定性。     

棉花秸秆制备绿色超轻粗骨料的试验研究

针对传统混凝土使用大量砂石,不少地区粗骨料已面临资源枯竭的问题,使用棉花秸秆制备超轻粗骨料。通过两个维度的抗压试验,得到棉花秸秆超轻粗骨料力学性能,从而确定棉花秸秆轻粗骨料理想的尺寸;通过对棉花秸秆超轻粗骨料的表面进行改性处理,从而实现棉花秸秆颗粒包覆材料的良好结合,降低超轻粗骨料的吸水率。研究结果表明,用棉花秸秆研制的短柱型轻粗骨料具有较高的强度,单个秸秆颗粒抗压强度可达18Mpa以上;经过改性处理后秸秆颗粒具有较低的吸水率,并能够与胶凝材料牢固结合。     

基于生成对抗网络的叠合板拆分

为了解决叠合板拆分受设计师与预制厂的差异容易出现难以设计的问题,提出了基于pix2pix算法构建叠合板拆分预测模型,通过输入支座图进而生成对应的叠合板拆分图,从而实现对叠合板快速拆分设计。探讨利用规则约束下机器学习的方法和理念,优化叠合板拆分方案,为预制厂提供了模型训练方法。为评估模型,建立基于拆分尺寸、方向与顺序掌握的评价体系。结果表明,训练后的模型可在2s内快速绘制叠合板拆分图,且模型生成思维与人工设计思维基本吻合。     

棉秆复合管件材料的耐久性试验研究

使用棉花秸秆碎料、沙漠沙、配合水泥、膨润土等胶凝材料,制备适于制作梭梭防护管件,并展开了针对沙漠环境下冻融对棉花秸秆复合防护管件材料耐久性的研究。通过试验确定了材料的配合比为:水泥(23%~30%),沙漠沙(50%~63%),棉花秸秆碎料(3%),膨润土(7%~11%);确定了膨润土和棉花秸秆碎料是影响复合材料耐久性的重要影响因子,可通过调整膨润土和棉花秸秆碎料的含量,达到风化周期可控的复合管件材料。