基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

基于WDCNN-DLSTM的滚动轴承故障诊断方法

滚动轴承是机械设备中的核心部件,其运行状态对设备的运转有重要影响。深度学习作为滚动轴承故障诊断的重要方法越来越受到重视。由于传统的故障诊断方法没有充分利用数据时序性,提出了一种将第一层为宽卷积核的深度卷积神经网络(deep convolutional neural networks with wide first-layer kernels, WDCNN)和深度长短时记忆网络(deep long short-term memory networks, DLSTM)相融合的模型(WDCNN-DLSTM)。WDCNN将传统的CNN第一层卷积核尺寸加宽,提高了模型对一维振动信号中的空间特征信息的提取能力;DLSTM将多个LSTM模块进行堆叠,提高了模型对一维振动信号中时序信息的提取能力。WDCNN-DLSTM将二者通过连接层融合,优势互补,提高了模型的判别能力。通过实验结果表明,相较于一些其他模型,所提出的方法具有更高的精确度。在变负载的情况下,也仍然实现了更好的分类效果。     

基于联合注意力-可分离卷积的立体匹配算法

为解决立体匹配网络模型轻量化与高精度不能共存的问题,本文提出新的立体匹配算法CSA-Net。算法具体是在特征提取阶段,利用类ResNet进行特征提取,训练空洞金字塔池化（ASPP）模块扩大感受野,提取多尺度上下文信息,加入联合注意力机制（CSM）,在空间和通道维度提高表征能力,关注重要特征并抑制不必要的特征。在特征融合阶段,将2D深度可分离卷积提升到3D来代替原网络中标准3D卷积在空间维度和通道维度分别进行卷积运算,以降低特征融合网络的参数量与模型运行时间。最终实验表明,本文所提出的立体匹配网络模型在KITTI 2012和2015数据集进行验证,在三像素匹配误差率为1.44%和2.24%,模型运行时间减少近1/3。因此,相比于其他实现了更高的匹配精度和更快的运行速度。     

砂泥岩混合填料湿化变形与沉降计算方法

在西南地区建设的各类工程中,填方区域经常将砂泥岩混合料作为工程填料。填方土料在雨季时会经受饱水作用,导致土料性质劣化,严重可导致回填区域发生变形,在其上的结构物也可能会变形甚至失稳。基于成都天府国际机场现场砂泥岩混合料,通过使用GDS三轴仪研究砂泥岩填料湿化变形特性,进一步得出考虑湿化变形时的地基沉降量。试验结果表明,湿样的应力应变曲线呈S形,干样的应力应变曲线呈软化型;砂泥岩填料在注水初期的变形增长相对较快,用不到20%的变形时间发生整体80%的变形量;通过指数拟合得到湿化变形量计算公式,并提出一种考虑湿化变形的分层总和计算法,通过数值模拟验证其公式的可靠性。可见试验结果和理论公式对于实际工程应用以及科学研究具有重大价值意义。     

基于深度学习的闪烁探测器信号故障识别研究

传统核探测器故障信号诊断研究都需要提前提取信号特征,然后用机器学习、支持向量机、统计方法等对特征进行分类。为了实现对探测器输出信号进行实时识别和故障诊断,本文基于Matlab平台构建了一个用于对图像进行分类的卷积神经网络模型,对核探测器故障信号进行分类诊断。从分类准确率和算法运行时间两个方面对Adam、Sgdm、Rmsprop三种优化算法进行了比较。结果表明Rmsprop算法运行时间最少,但准确度和损失的训练迭代曲线不平稳;Sgdm模型对十组非正常信号图像分类的准确率最高为93.10%,准确度和损失的训练迭代曲线平稳。虽然,本文方法诊断准确率略低于文献报道值,但是不需要对信号进行预处理和特征预提取,使用更为简便。     

地铁降水施工地表沉降分析及应用

城市地铁车站降水施工对周边环境及既有结构安全稳定性影响是城镇地下交通工程广泛关注的研究问题之一。基于分层总和法分别给出了在表层孔隙性潜水,或在承压含水层中降水施工引起周边土层沉降规律分析公式。以某地铁车站工程为背景,就车站降水施工引起周边地表沉降规律进行了应用研究;利用分析结果对影响区内的重要结构工程的安全稳定性进行了评价研究。实例分析表明,不同含水层的降水对地表沉降影响不同;在距基坑较近范围内,潜水含水层降水对既有建筑结构基础沉降影响较大。在该工程施工中,应更加注重潜水含水层降水施工对临近建筑结构的影响观测与监控。所给公式简单方便,可用于设计期间进行降水施工对周边环境及既有结构影响的简单估算。     

基于深度学习的多材料结构拓扑优化方法

提出了一种基于深度卷积神经网络（CNN）的多材料结构拓扑优化方法,实现在不需要任何迭代分析的情况下,在极短的时间内预测出多材料优化结构。研究中,采用了流行的U-Net网络结构,以提高神经网络的边界提取能力。通过有序多材料SIMP（各向同性实材料惩罚密度法）插值方法（Ordered SIMP）生成随机加载条件、质量分数及成本分数下的多材料优化结构数据集,训练得到深度学习神经网络。将所提出方法的效率和精度与传统算法进行比较,对该方法的性能进行评价,结果表明,该方法在几乎不牺牲设计方案性能的前提下,显著降低计算成本。该方法对于拓扑优化在未来多材料结构设计实践中具有巨大潜力和广阔应用前景。     

地下连续墙-桩-箱(或筏)复合基础沉降分析

提出了由地连续墙－桩－箱筏所构成的复合基础的沉降计算方法,该方法定义为二阶沉降计算方法,进一步论述了在考虑地基上补偿性状的前提下,可用分层总和法计算第一阶段沉降,用变形总和法计算第二阶段沉降。     

一种用循环卷积实现的素长度DCT新快速算法

提出了一种利用循环卷积（Cyclic convolution)和扭循环卷积（Skew cyclic convolution)实现的计算奇素长度离散余弦变换（DCT）快速新算法,算法将DCT系数分成三部分：DC分量,偶下标分量和奇下标分量,根据数论理论,定义了一种新的下标变换算子,利用该算子被转化为循环卷积或扭循环积,由于循环卷积和扭循环卷积具有非常高的效率和规则,因此,本算法具有简单,规则的结构和较纸的运算复杂性。     

Hartley变换的修正循环卷积特性

Hartley变换不仅等效于富氏变换 ,其正逆变换又具有相同的形式 ,而且在实序列数据处理中仅需用到实运算 ,在存储量和复杂性上要比富氏变换更经济更有效。针对一维及二维离散 Hartley变换分别建立了其修正循环卷积特性定理。籍此可得计算循环卷积的快速 Hartley变换法。