ANSYS在钢筋混凝土梁有限元中的应用

文章结合钢筋混凝土材料的特殊性,利用大型有限元计算软件ANSYS计算受弯构件梁的变形及其正截面应力应变。最后将有限元计算的结果(裂缝开展深度、钢筋应力、混凝土应力)与精确解比较,分析误差存在的原因及改进的方法和措施。     

钢筋混凝土连续梁弹塑性弯矩系数研究

试验验证表明,用二次规划求解的强迫转角法是进行钢筋混凝土连续梁弹塑性分析的有效方法。应用该方法对承受均布荷载和集中荷载的连续梁弹塑性弯矩值进行了计算模拟试验,总结出一套供设计使用的弯矩系数建议值。     

基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

均布荷载作用下简支组合梁受力机理分析

为了揭示组合梁在均布荷载作用下的受力机理,考虑弯曲和滑移耦合变形,建立组合梁滑移受力机理模型.首先,以单跨简支组合梁为研究对象,探讨组合梁变形与滑移规律、横截面内力分布及结合部传力机理;然后,分析截面尺度、界面刚度与荷载加载面对组合梁受力机理的影响.结果表明：混凝土板抗剪和抗弯作用在房建组合梁中较明显,在桥梁组合梁中可忽略;随着界面刚度比的增加,简支组合梁的曲率、转角、挠度和滑移均减小;混凝土板和钢梁轴力同步增大,混凝土板剪力增大而钢梁剪力减小,混凝土板、钢梁弯矩减小而轴力力偶增大;结合部界面切向力增大而界面法向力基本不变;相较于按自质量分配荷载,均布荷载由混凝土板承担时界面压力增大,由钢梁承担时则界面受拉,应注意验算界面抗拉拔性能.     

具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.     

联合实体边界检测的命名实体识别方法

针对传统命名实体识别方法无法有效利用实体边界信息的问题,提出一种联合实体边界检测的命名实体识别方法,即将实体边界检测作为辅助任务,增强模型对实体边界的判断能力,进而提升模型对实体的识别效果。首先,利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量,并引入自注意力机制增强词对上下文信息的利用;其次,在命名实体识别任务的基础上,添加实体边界检测辅助任务,增强模型对实体边界的识别能力;再次,对比联合实体边界检测的命名实体识别方法与基线方法的有效性,并对测试结果进行消融实验;最后,进行样例分析,分析损失权重β对实体边界检测的影响。实验结果表明,在英文社交媒体数据集Twitter-2015上,联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的精准率、召回率和F1值,其中F1值达到了73.57%;并且,边界检测辅助任务提升了基线方法的检测效果。所提方法能有效利用实体边界信息,从而获得更好的实体识别效果,促进了人机交互系统的发展,对自然语言处理下游任务有重要意义。     

基于轻量化深度学习网络的数字仪表识别

数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器。然而当前数字式仪表的读取方式还依赖于人工巡检,手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率。为了实现传统行业的数字化转型,本文提出基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出对于感兴趣区域（ROI）的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的。为提升多尺度检测性能,本文采用Res2Net模块主干网络中的的残差模块。采用GIoU取代通用的IoU作为位置损失函数加速模型训练效果的收敛。实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%。通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行。     

盾构隧道围岩与衬砌协同作用纵向位移计算法

盾构机掘进过程中,千斤顶顶进力的不均匀引起的纵向位移是管片间初始错台的主要原因之一;基于Timoshenko梁理论的隧道纵向位移计算方法,未能考虑隧道开挖后围岩卸载破坏的变形特征及围岩与衬砌结构的协同作用效应,预测误差较大。建立了考虑围岩卸载扩容效应的等效地基抗力系数计算方法,提出了能考虑螺栓个数的等效抗剪刚度计算公式,建立一种基于Timoshenko梁理论的改进管片拼装式隧道纵向位移理论计算方法。实际工程案例分析表明：考虑围岩开挖卸载过程中围岩的非线性体积相关塑性变形（即扩容效应）更合理;考虑壁后注浆液固化过程的时效性,采用改进的滑移边界条件计算的纵向位移最大值是传统的固定端边界的计算值的2.3倍,边界条件对计算结果影响较大,本文计算方法更符合实际情况,也更安全。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

考虑应力集中的吊车梁多轴疲劳寿命预测

钢结构吊车梁在工业建筑中被广泛应用,应力集中的存在导致几何不连续位置在复杂应力下服役.借助有限元法分析吊车梁应力-应变状态,确定危险点位置,并提取应力、应变分量;以应变能密度作为损伤参量并以最大平面为临界面,基于能量准则建立临界面位置数值计算方法,结合有限元结果给出吊车梁临界面位置;考虑吊车梁在非对称载荷下服役,借助Goodman方程进行平均应力修正,并结合Q355D钢近似S-N曲线计算疲劳寿命.该方法考虑了应力集中处多轴应力对疲劳损伤的影响,可以为复杂应力下几何不连续钢构件的疲劳寿命评估提供新方法.