不同加载状态曲线锚索沿程预应力损失试验研究

曲线锚索沿程预应力损失是影响衬砌结构应力分布的关键因素，获取摩擦系数和偏差系数尤其重要。开展不同加载状态曲线锚索沿程预应力损失研究，建立了模型试验平台，进行了不分级加载、分级加载和分级循环加载测试，分析了锚固端和张拉端受力特征、预应力损失变化规律、摩擦系数和偏差系数取值，并结合实际工程计算了曲线锚索任意点受力值。结果表明:曲线锚索沿程损失摩擦系数和偏差系数不仅与材料自身属性有关，还受到力学加载状态影响；与不分级相比，分级加载曲线锚索平均预应力损失由 8．47％ 降低至 3．63％，且各级荷载必须给予足够停滞时间，以保持预应力传递；分级循环加载曲线锚索预应力沿程损失大幅降低，而加载时长却较久，不适宜作为常规加载方式，宜作为极个别曲线锚索预应力值不能达标时的应急处置方案。     

一种架空蒸汽管滑动支座保温结构的优化方案

以山西某市工业园区架空蒸汽管网工程为例,提出了一种架空蒸汽管滑动支座的保温新结构,计算了普通滑动支座和新保温结构滑动支座的散热损失,并结合前期施工成本和后期运行费用,对普通滑动支座和新保温结构滑动支座进行了技术经济分析。结果表明,新保温结构滑动支座在施工阶段成本费用较高;但在运行期间可有效减少由于滑动支座弧形板处热损失所导致的蒸汽损耗的运行费用。因此采用新保温结构滑动支座实现了运行阶段的稳定、安全、节能、节省费用等。     

基准平面垂直断面法在爆破漏斗试验中的应用

系统阐述了基准平面垂直断面法在爆破漏斗试验中测量爆破漏斗体积的基本原理,并将隧道激光断面仪应用于金厂河矿1 750 m水平15^#采场底部切割巷道爆破漏斗试验爆破漏斗体积测量中。通过与传统体重法等计算法所得漏斗体积分析比较,结果表明基于隧道激光断面仪与3D Mine软件分析的基准平面垂直断面法实用性强、操作方便、结果直观可靠,达到试验预期目的。     

自适应融合层级特征的混合退化图像复原算法

多种退化类型混合的图像比单一类型的退化图像降质更严重,很难建立精确模型对其复原,研究端到端的神经网络算法是复原的关键.现有的基于操作选择注意力网络的算法(operation-wiseattentionnetwork,OWAN)虽然有一定的性能提升,但是其网络过于复杂,运行较慢,复原图像缺乏高频细节,整体效果也有提升的空间.针对这些问题,提出一种基于层级特征融合的自适应复原算法.该算法直接融合不同感受野分支的特征,增强复原图像的结构;用注意力机制对不同层级的特征进行动态融合,增加模型的自适应性,降低了模型冗余;另外,结合L1损失和感知损失,增强了复原图像的视觉感知效果.在DIV2K,BSD500等数据集上的实验结果表明,该算法无论是在峰值信噪比和结构相似性上的定量分析,还是在主观视觉质量方面,均优于OWAN算法,充分证明了该算法的有效性.     

夜戴型角膜塑形镜对近视患者调节滞后及视网膜形态影响的相关分析

目的:探讨夜戴型角膜塑形镜对近视患者调节滞后及视网膜形态的影响。方法:抽取2014年8月-2016年8月来本院选择验配角膜塑形镜,并经过12个月以上定期复查的少年儿童近视患者15例(30眼),将其作为观察组,选择同期配戴普通近视框架眼镜的少年儿童近视患者15例(30眼)作为对照组。观察两组患者配戴前及配戴6、10、12个月后的调节滞后量和黄斑区视网膜平均厚度的变化。结果:两组患者配戴前与配戴6个月后的调节滞后量和黄斑区视网膜平均厚度比较,差异均无统计学意义(P>0.05);观察组患者配戴10个月后的调节滞后量情况明显优于对照组,差异有统计学意义(P<0.05),但两组患者的黄斑区视网膜厚度比较,差异无统计学意义(P>0.05);观察组患者配戴12个月后的调节滞后量和黄斑区视网膜厚度情况均明显优于对照组,差异均有统计学意义(P<0.05)。结论:夜戴型角膜塑形镜能够有效提升青少年儿童的裸眼视力,改善调节滞后,并促进患者黄斑区视网膜平均厚度趋向稳定。     

新时期面向可持续竞争力的计算机教育改革研究——评《计算机教育与可持续竞争力》

我国正处于从工业化社会向信息化社会转变的关键时期,随着全球化经济与社会发展的不断前进,新一代的计算机信息技术与依托信息技术发展的新经济、新产业也在蓬勃生长,计算机教育亦在不断改革,信息化社会的可持续发展问题也愈发被推向了风口浪尖。然而,在当前的高等教育计算机课程教学中,始终存在着如教学内容单一、教材滞后、教学理念不够科学、教学评价机制不够完善等问题,严重影响了计算机教育改革的可持续发展。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。