采用钢结构试验平台的5000t级桩基静载快速检测技术

灌注桩基础静载试验检测是目前在检测单桩极限承载力最为准确可靠的检验方法，是灌注桩承载力检测的首选方法。静载检测试验为堆载检测，需要制作试验平台，传统试验平台为混凝土结构，造价高、检测周期长。基于此，详细介绍了一种采用钢结构静载检测试验平台的桩基础静载快速检测技术，该技术采用钢结构箱梁、工字钢及钢结构支墩等可周转可回收建筑材料，保证桩基础检测的正常实施，充分发挥钢结构构件预拼装的施工技术，加快了检测试验平台的施工进度，减少了混凝土材料的用量，节约了施工成本，在珠海机场改扩建工程(一标段)——航站楼工程5 000 t级桩基静载试验中得到了成功应用。     

缺水传感器改进设计

针对一种煤矿用本安型缺水传感器在现场安装及维护难度大,以及抽采泵供水状态下管道内有水但传感器检测显示为无水,或抽采泵停止工作时传感器检测显示有水问题,分析原产品中磁体及探头感应装置结构。改进其结构形式,并优化安装,使检测稳定可靠。实现抽采泵管道用缺水传感器的可靠性设计和轻量化设计。     

有机元素检测仪器在石油化工行业的需求和应用现状

本文通过对国内外石油及石化产品分析检测相关标准技术的调研与收集,以及相关检测仪器特点的分析,对目前包括润滑油、汽油、柴油、煤油、石蜡、石化聚合物、原油等样品类型,共计80个样品在现有仪器上进行测试,使用标准方法对样品中碳、氢、氮、硫元素进行检测,获取样品的检测时间、含量结果、仪器条件等参数,为相关仪器检测提供数据基础.     

基于视觉识别的反应进程智能调控系统及其在溴素生产中的应用

针对溴素生产传统的人工观察蒸馏塔塔顶与塔底玻璃管的颜色,或者观察四氟塔蒸馏废液颜色,受环境光线和工人经验影响较大且无法精确控制,导致氯气过量或不足以及产品品质不稳定的问题,将智能视觉技术应用于溴素生产工艺,提出基于工业视觉的颜色智能识别系统,将生产工艺流程的颜色指标实时转换成数字指标,结合自主开发控制算法,实现工艺进程的量化计量,并通过控制算法实现现场情况的预判和精确控制,消除人工调控的随意性和滞后性,实现投料阀门的自动控制,提升装置产能的同时稳定产品质量,将溴素蒸馏工艺废液溴含量维持在0.13 kg/m3以下,溴成品氯含量全部稳定在0.01%以内,保证产品100%处于优级水平。     

碳纤维原丝含油率测试影响因素研究

利用改进的索氏提取回流法测量碳纤维原丝含油率.研究了溶剂回流温度、回流时间、环境湿度对测试结果的影响,结果表明:随着回流温度的提高,2小时内回流清洗效果不断增强,当回流温度大于54℃,次数大于12次,油剂清洗效果基本保持不变.可通过提高回流温度以提高单位时间内的回流次数,优化纤维含油率测试的准确性和测试效率.环境湿度对索氏提取测纤维含油率有显著影响:控制环境湿度在50～52％RH范围内,可将纤维吸潮质量变化控制在纤维质量的0.005％,油剂相对含量的0.2％～0.6％,可将测试稳定差值降低至≤0.05％,测试方法差值<0.1％,满足油剂测试工艺要求.回流时间≥2 h,回流温度≥54℃,测试环境湿度50～52％RH,索氏提取回流法油剂测试误差<0.05％.     

安卓平台上的医用图像信息采集系统的开发设计

为了探讨在安卓平台上构建医用图像采集系统的开发个案,分析通过以智能手机、平板电脑为核心安卓设备通过拍照获得化验单数据后进行文本识别并提交智慧医疗系统的解决方案。本文首先通过二值化算法形成低阈值图像数据,使用卷积神经元网络算法对文本进行逐一识别,使用K-means算法对识别后的单字文本进行字段记录值的整合并形成元数据库服务于其他智慧医疗系统模块。在使用9000组数据对神经元网络进行前期训练的前提下,该系统的识别准确率达到了99.5%以上。本系统具有一定的可行性,对未来智慧医疗的系统开发有实践意义。     

非径向管板焊接接头的超声检测

对AP1000压水堆核电站安全壳贯穿件的非径向管板焊接接头结构特点进行了介绍,并分析其超声检测工艺的重点和难点。通过建立统一的缺陷定位坐标系并结合被检构件的几何特点进行综合分析,推导得出了h值(缺陷回波最高点距套管外壁的距离)的计算方法。为超声检测对这类焊接接头缺陷的准确识别和定位提供了行之有效的方法,为解决这类焊接接头的超声检测技术受限区提供了行之有效的措施。     

深度元学习在无人驾驶中的应用前景

在无人驾驶发展的初期,科学家们依靠数学方法与计算机视觉领域的相关技术创造出无人驾驶算法,其性能和安全性都不是很理想。近年来,随着深度学习的不断发展,无人驾驶领域出现了越来越多与深度学习相关的优秀算法。与传统算法相比,与深度学习相结合的无人驾驶算法有着更为优秀的性能,无人驾驶技术也随着深度学习的发展不断向商用化推进,其中具有代表性的产品即为近年来美国特斯拉公司生产的车辆,其拥有较为完善的辅助驾驶系统,可以将其看作一款非常典型的无人驾驶产品。本文将从目标检测以及目标跟踪两个领域分析深度元学习在无人驾驶领域中的应用前景。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.