煤矸石粉/聚酯纤维沥青混合料盐冻损伤研究EI北大核心CSCD

针对煤矸石粉替代率50%、聚酯纤维掺量0.4%的沥青混合料,开展盐冻耦合作用(NaCl溶液质量分数为0%、7.0%、13.0%、26.5%,冻融循环次数为0、2、4、6、8)下的半圆弯曲(SCB)试验,分析了盐冻耦合作用对SCB试件内部损伤劣化过程的影响.结果表明:NaCl溶液质量分数为13.0%、冻融循环为8次时,盐冻耦合作用对沥青混合料的侵蚀破坏作用最强,试件内部损伤最严重;在煤矸石粉与矿粉质量比为1∶1、聚酯纤维掺量为0.4%的条件下,沥青混合料能够形成高黏性、致密、厚实的沥青膜以及由纤维形成的三维网状结构,从而显著降低盐冻侵蚀对沥青混合料的损伤.通过Poly2D模型对SCB试件的极限拉应力损伤量进行拟合,拟合系数为0.944.     

排水管道瞬变流的SWMM模拟能力研究

暴雨洪水管理模型（SWMM）在城市雨洪管理中发挥了重要作用，但对其模拟排水管道瞬变流的能力研究较少。针对排水管道中有压水力瞬变情况，以经典特征线法为参照，对SWMM的模拟能力进行了分析及改进。计算结果发现，原SWMM模型对排水管道快速有压瞬变流的模拟能力较差。为此，提出了“设置虚拟节点、修改Preissmann狭缝宽度”的改进方法，可有效提高SWMM模拟瞬变流的计算精度；同时，进一步分析了空间步长、波速、管段管径比、CFL稳定性条件、收敛精度及节点最小表面积等关键参数对模拟准确度、稳定性、计算效率的影响，并给出了建议取值范围。     

低共熔溶剂用于CO2捕集的研究进展

低共熔溶剂(DESs)具有原料廉价易得、化学稳定性好、可设计、合成工艺简单、可循环使用和绿色环保等优点,在CO₂捕集领域受到广泛关注。重点综述了近年来DESs用于CO₂捕集的研究进展,总结了DESs捕集CO₂的能力,分析了DESs捕集CO₂的影响因素和DESs的循环使用性能,归纳了DESs捕集CO₂的机理(包括物理吸收、化学吸收和物理化学协同吸收),并总结了CO₂在DESs中的溶解度计算模型。分析发现,DESs捕集CO₂的影响因素中,温度、压力和水含量(质量分数)均对CO₂的捕集有影响,且DESs的结构是重要的影响因素;大部分DESs可循环使用;CO₂在DESs中溶解度计算模型的建立有效推动了DESs捕集CO₂的进一步发展。最后,指出了DESs捕集分离CO₂所面临的主要问题并对进一步的研究工作进行了分析讨论。     

0?1膨胀负二项回归模型在COVID?19疫情分析中的应用

在公共卫生等应用领域，经常会同时出现零观测值、一观测值较多的情况. 为更好地拟合这类数据，采用0?1膨胀负二项分布及其回归模型进行分析. 在数据扩充基础上，结合Pólya?Gamma潜变量对模型参数进行贝叶斯推断. 最后，对我国湖北省2019冠状病毒病(COVID?19)死亡数据集进行分析. 研究表明，0?1膨胀负二项回归模型能够达到更好的拟合效果.     

物料堆场智能化管理经验分享

华润水泥（罗定）有限公司根据物料储存需求，共有三个长堆棚分为9个室内料场堆放原材料及混合材，厂内有4台铲车无规则轮流在这8个料场内作业，同时外来运料货车、公司化验及验收人员也会不间断地进入不同堆棚。由于料场内空间狭窄，驾驶员视线不好，如果堆棚料场内铲车在作业时，有其他人员或车辆进入铲车工作区域共同作业，在没有检测装置对进入的人、车进行识别，提醒铲车驾驶员的情况下，容易发生碾压进入人员或车辆碰撞的安全事故。公司根据现场实际，自2020年起决定实施从堆场出入口智能红外感应技术、装载机车载识别系统、智能声光语音提醒、实时监控显示、照明、堆场硬件设施等五方面实施物料堆场车辆智能化安全预警系统项目。     

基于改进Faster R-CNN及YOLO的大角度车牌识别算法

随着大数据时代的到来,智慧城市等一系列概念的提出,人工智能开始在城市各个角落得到广泛应用。其中,车牌识别作为城市道路交通重要的一环,也取得了重大突破。基于深度学习的车牌识别一经提出,各类算法应用于车牌检测及识别上,对比于传统的车牌识别,大大提高了识别的速率和准确率。然而,在非限制条件下,如大角度车牌识别准确率仍有提升的空间。提出了一种改进的FasterR-CNN与YOLO的深度学习车牌识别算法,将对大角度下的车牌识别准确率达到了99.7%。由于是轻量型的框架,为后续的移动设备部署工作提供了便利。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。