某体育场大跨度挑蓬钢结构关键参数分析

某体育场大跨度挑蓬钢结构项目采用半刚性轮辐式张拉结构,该体系属于较为新颖的结构体系,结构受力合理,贴合建筑效果。但是对于影响体系受力的相关参数分析缺少研究,无法为该类型的结构设计提供足够的理论参考。本文利用SAP2000软件对影响该体系变形受力的关键参数(包括飞柱高度、内圈挑檐跨度等)进行针对性分析研究,以结构在竖向荷载作用下的竖向变形为主要评价指标,探究相关参数的合理取值范围,为类似的工程设计提供设计参考。     

基于注意力及生成对抗网络的遥感影像目标检测

针对传统目标检测算法在环境多变、背景复杂、目标聚集、小目标过多的航空遥感影像目标检测上效果不理想的问题, 本文提出了一种基于注意力机制及生成对抗网络的遥感影像目标检测模型Attention-GAN-Mask R-CNN. 该模型将注意力、生成对抗网络和Mask R-CNN结合起来, 用以解决遥感影像目标检测中存在的问题. 实验结果表明, 在复杂的遥感影像数据集中, 该方法提升了目标检测的效率和准确率.     

基于孪生深度特征融合残差网络的PCB缺陷分类模型

在电子工业领域中,印刷电路板(printed circuit board, PCB)缺陷检测已经变得越来越重要. PCB的部分微小损伤或者不规则损伤与其密集复杂的排线等视觉纹理信息高度相关.传统卷积神经网络提取特征向量,容易丢失纹理特征等中级视觉特征信息,导致对于细微损伤和不规则损伤的检测效果不明显.针对这一问题,提出了基于孪生深度特征融合残差网络(Siamese deep feature fusion residual network)的PCB损伤分类模型.模型的骨干网络采用ResNet50.特征提取阶段将纹理信息等中级视觉特征和神经网络最终输出的高级语义特征融合为一个32维的特征向量.两个特征的向量的相似性用L2距离表示,用于判断PCB是否有缺陷.在训练阶段应用了三元损失和交叉熵损失,多个损失函数的组合提高了网络的准确性.通过实验验证了模型的有效性,在测试数据集上的准确率达到了(95.42±0.31)%的准确率,实现了模型在PCB缺陷分类检测的可行性.     

减隔震组合技术在高烈度抗震设防区的应用研究

为提高高烈度抗震设防区建筑的安全性及抗震性能，国家和地方颁布了一系列政策，鼓励并推广使用减隔震技术。以云南省某规划展览馆为工程背景，提出了一种基础隔震与上部结构减震混合应用的减隔震组合技术，并将其应用于国内工程设计中。分析了该减隔震组合技术的减震效率及结构在罕遇地震作用下的抗震性能。分析结果表明：建议的减隔震组合技术具有良好的减震效果；在罕遇地震作用下，上部结构基本保持弹性，结构表现出良好的抗震性能。同时，针对该减隔震组合结构，提出了叠加分析法。通过算例分析，认为叠加分析法计算结果用于结构设计偏于安全。提出了适用于该减隔震组合结构的设计流程，以期为类似的工程设计提供参考。     

某复杂空间钢管节点承载力分析

某公共建筑项目大跨度钢结构屋盖采用正交桁架结构体系,结构中的复杂关键节点由14根钢杆件交汇而成,无法通过规范给出的常规计算公式进行验算。本文利用ANSYS软件对结构中的复杂关键节点在不利工况下进行有限元分析,找到节点的薄弱区域并进行针对性加固,最后对加固的效果进行有限元分析验证,为类似的节点设计提供设计参考。     

基于注意力机制和可变形卷积的金属表面细微不规则损伤的图像识别模型

对金属表面细微损伤的检测,传统的目标识别算法泛化能力较弱,而使用深度卷积神经网络的通用检测算法容易丢失小目标特征,其使用的传统正方形结构卷积不适用于处理长条状等不规则损伤。针对以上问题,提出了一种基于注意力机制和可变形卷积的级联神经网络目标检测模型ADC-Mask R-CNN。在ResNet101主干网络中嵌入通道域注意力与空间域注意力,以增强对小损伤目标的检测效果;采用可变形卷积与可变形感兴趣区域池化技术,提升了对不规则损伤的检测效果;通过级联网络实现了检测结果的进一步优化。在金属表面损伤数据集上的对比实验结果表明,ADC-Mask R-CNN模型可以提高金属表面细微不规则损伤的检测性能。     

融合实体特征及多种类注意力机制的领域关系抽取模型

基于远程监督的关系抽取方法可以明显地减少人工标注数据集的成本,已经被广泛应用于领域知识图谱的构建任务中.然而,现有的远程监督关系抽取方法领域针对性不强,同时也忽略了对领域实体特征信息的利用.为了解决上述问题,提出了一种融合实体特征和多种类注意力机制的关系抽取模型PCNN-EFMA.模型采用远程监督和多实例技术,不再受限于人工标注.同时,为了减少远程监督中噪声的影响,模型使用了句子注意力和包间注意力这两类注意力,并在词嵌入层和句子注意力中融合实体特征信息,增强了模型的特征选择能力.实验表明,该模型在领域数据集上的PR曲线更好,并在P@N上的平均准确率优于PCNN-ATT模型.