混凝土超声-回弹综合测强方法

利用超声一回弹综合法对混凝土的损伤进行了初步研究.由于单一的回弹法或超声法在理论与应用上的局限性,从而造成采用这两种单一的方法在应用上的缺陷,而超声一回弹综合法则弥补了上述两种方法的各自不足,也因而提高了检测精度.     

环境中有机污染物的修复研究进展

有机污染物以其持久性、高毒性、积聚性、流动性为特征，严重的影响了我们的生存环境。本文通过对有机污染物的种类、特征及修复手段的综合评述，旨在探究有机污染物修复方法的研究动向。     

自凝塑胶临床修复局部义齿效果分析

本文总结分析了自凝塑胶修复局部义齿的临床效果,对自凝塑胶应用在局部义齿所产生的变色问题、气泡问题、损坏问题及光滑度问题进行了分析。     

平面桁架结构损伤的探测、定位与评估

利用参数识别技术描述了对平面桁架结构损伤的探测、定位与评估（ＤＬＥ）的一个新算法。这一概念始于精确＂健康＂模型，利用动力响应数据周期地更新这一＂健康＂模型，当损伤发生时，用一个识别算法（一个显式桁架损伤模型），以动力响应数据构造出一个桁架损伤模型，由此比较损伤模型与健康模型的参数，从而探测、定位及评估损伤的程度     

预应力混凝土箱梁爆炸损伤评估及公式拟合

对预应力混凝土箱梁进行爆炸损伤评估研究。首先,对矩形梁进行爆炸数值分析,结合现场试验结果验证了爆炸数值模型的准确性、可靠性。其次,基于箱梁剩余承载力,建立了箱梁爆后损伤评估准则。通过对预应力混凝土箱梁在不同爆炸工况下的爆后剩余承载力计算,建立箱梁各损伤程度下P?I（超压?冲量）曲线。研究发现,混凝土强度对箱梁超压和冲量临界值影响较大,钢筋屈服强度对超压和冲量临界值影响较小。随着结构损伤等级的增大,各参数对箱梁P?I曲线的影响幅度各不相同。最后,对不同混凝土强度箱梁中各损伤等级P?I曲线进行公式拟合,并对拟合参数β进行分析。     

基于 Swin Transformer 和 Style-based Generator 的盲人脸修复

盲人脸修复任务是从低质量的图像（例如模糊、噪声和压缩图像）中恢复高质量的图像.由于事先不知道低质量图像的退化类型和退化参数,因此盲人脸修复是一个高度病态的问题,在修复过程中严重依赖各种先验指导.然而,由于面部成分和面部标志等面部先验通常是从低质量图像中提取或估计的,可能存在不准确的情况,这直接影响最终的修复性能,因此难以有效利用这些先验知识.此外,目前的主流方法基本都是依赖ConvNets进行特征提取,没有很好地考虑长距离特征,导致最终结果缺乏连续一致性.本文提出了一种改进的StyleGAN模型,命名为SwinStyleGAN,应用在高级视觉任务上表现出色的Swin Transformer来提取长距离特征,并通过改进后的类StyleGAN合成网络逐步生成图像.本文设计了一个空间注意力转换模块SAT来重新分配每个阶段特征的像素权重,以进一步约束生成器.大量实验表明,本文提出的方法具有更好的盲人脸修复性能.     

不同分级循环加卸载模式下六边形蜂窝能量演化规律

为了阐明循环加卸载路径对六边形蜂窝能量演化的影响规律,设计了3种不同分级循环加卸载试验,揭示了不同分级循环加卸载模式下外界输入总能量、弹性变形能、耗散能、塑性变形能等参数的演化特征及相互关系,研究结果表明：不同分级循环加卸载作用下,蜂窝的初始峰值强度和平台应力与卸载过程蜂窝弹性能的释放程度有关;3种不同分级循环加卸载模式下外界输入总能量、蜂窝的弹性变形能和塑性变形能随着加卸载梯级增大呈现非线性增加的趋势,耗散能在前三级循环作用下随着加载次数增加而减小,在最后一级循环中循环载荷上限较大,扰动效应强于强化效应,耗散能呈现相反趋势;提升循环载荷上限,蜂窝内部损伤增加,且越接近蜂窝初始峰值强度,蜂窝的损伤越严重;同时提升循环载荷下限,蜂窝弹性能释放较少,损伤加剧。     

车辆参数对车-桥耦合系统变截面连续梁桥损伤识别的影响

文章研究车-桥耦合系统的非线性振动特性,采用有限分段思想,建立1/4车辆模型和变截面连续梁桥的车-桥耦合振动方程,在MATLAB环境下编制基于Runge-Kutta算法的车-桥耦合振动数值分析程序,得到桥梁跨中位移响应;以某三跨混凝土连续梁桥为算例,分析车桥质量比、车辆速度、车辆弹簧刚度、信噪比4组参数的变化对变截面连续梁桥损伤识别的影响。结果发现：车桥质量比和信噪比较大时,桥梁损伤识别效果较好;较低的行车速度有利于桥梁的损伤识别研究;车辆弹簧刚度的影响非常小,可忽略不计。     

抗深度取证的多粒度融合图像修复网络

数字图像的真伪判别是图像安全领域中的基础问题,因数字媒体极易被攻击篡改,针对图像的取证技术得到了广泛的研究.另一方面,对图像篡改反取证技术的研究,不仅追求更逼真的图像篡改操作,也从相反的方向促进了取证技术的发展.图像修复作为基础的图像篡改操作,一直是国内外学者的研究热点.针对被修复篡改后的图像会被深度取证网络取证的问题,提出了一种抗深度取证的多粒度融合图像修复(multi-granularity fusion-based image inpainting network resistant to deep forensics,MGFR)网络.MGFR网络包括编解码器、多粒度生成模块以及多粒度注意力模块.首先,输入的破损图像被编码器编码成深度特征,深度特征通过多粒度生成模块生成3个不同粒度中间特征;然后,采用多粒度注意力模块来计算不同粒度中间特征之间的相关性并将其融合;最后,融合特征通过解码器生成输出结果.另外,所提出的MGFR网络被重建损失、模式噪声损失、深度取证损失以及对抗损失联合监督.研究结果显示,所提出的MGFR网络在拥有较好的修复性能的同时能成功规避深度取证网络的取证.