排序方式: 共有135条查询结果,搜索用时 156 毫秒
101.
目前,针对高强钢构件整体稳定性的研究多采用有限元建模或实验室试验方法,而基于机器学习的预测方法能够显著提升预测的准确性和便捷性。为了准确预测高强钢焊接等截面箱型柱的整体稳定性,提出使用纤维模型构建数据库并利用机器学习建立预测模型的方法。首先确定模型的输入输出参数,并通过纤维模型方法建立数据库;接着,选用常见的3种不同类型的机器学习模型和现有规范中的经验模型进行预测,并依据评价指标进行性能对比;最后,根据可解释算法分析机器学习模型的合理性。结果表明:大部分机器学习模型预测结果与试验结果吻合度略高于现有规范中的经验模型,其中,高斯过程回归模型对高强钢构件整体稳定性的预测表现最优;机器学习预测模型中各类参数对构件整体稳定性的影响趋势符合预期,验证了机器学习模型的合理性和可靠性;构件的正则化长细比对预测结果影响最大,而构件初始缺陷的影响相对最小。 相似文献
102.
103.
王浩 《地下空间与工程学报》2015,11(4):994-1001
虹桥商务区核心区一期面积约1.4 km2,供能管沟工程全长3 506 m。管沟结构设计采用内径4.2 m钢顶管或4 m混凝土顶管结合明挖法现浇箱涵方案。采用河道压载措施解决顶管浅覆土过河问题;采用高压旋喷加固保护减小顶管穿越对高架桩基的影响;设计承插式中继间协调钢顶管段与能源站结构间的差异沉降。对顶管井及一般明挖段小尺度基坑采用较规范标准降低基坑安全等级的进行优化设计;对顶管井结构进行三维分析,大直径顶管洞口依据有限元计算结果进行配筋加强;管沟在地块接口处预设临时封堵墙、变形缝及顶板挡土墙以便后续地块衔接。结合相关工程经验及规范要求,确定了管沟结构的保护标准。 相似文献
104.
105.
106.
为保证提取特征的信息量丰富,当前基于深度学习的图像配准算法通常采用深层卷积神经网络,模型的计算复杂度高,而且还存在相似特征点区分度低的问题。针对上述问题,提出一种基于多特征融合的自监督图像配准算法(SIRA-MFF)。首先,使用浅层卷积神经网络提取图像特征,降低计算复杂度,并且通过在特征提取层添加特征点方向描述符,弥补浅层网络特征信息量单一的问题;其次,在特征提取层后添加用于扩大特征点感受野的嵌入与交互层,融合特征点局部和全局信息以提升相似特征点区分度;最终,最佳匹配方案由改进的特征匹配层计算得到,并同步设计了一种基于交叉熵的损失函数用于模型训练。在ILSVRC2012数据集生成的2个测试集中,SIRA-MFF的平均匹配准确率(AMA)分别为95.18%和93.26%,优于对比算法;在IMC-PT-SparseGM-50测试集中,SIRA-MFF的AMA为89.69%,也优于对比算法,且与ResMtch算法相比,单张图像运算时间降低了49.45%。实验结果表明,SIRAMFF具有较高精度和较强的鲁棒性。 相似文献
107.
108.
109.
110.