基于CT扫描的致密砂岩脆性破坏裂纹扩展规律研究

岩石在荷载作用下产生宏观破坏,其破裂面细观形态变化可以直接地反映出结构破坏特征。目前,常采用扫描电镜法、透镜法和CT扫描技术对岩石细观结构进行表征。运用CT扫描技术对典型脆性岩样单轴压缩破坏后破裂面及全断面进行扫描,获取全断面的细观形态,分析和总结了典型脆性岩样破坏细观裂纹扩展的发展规律:每一条独立裂纹都以一恒定曲率半径系数K随层位向试样内部扩展,直至裂纹曲率半径趋近于无穷。此时若无其他因素影响,其曲率半径则不会再随层位继续扩展;并通过分析定义出岩石脆性破坏状态时裂纹的聚集域和非聚集域,同时根据能量守恒定律得出了衍生裂纹及新次生裂纹产生的判据。     

反向传播神经网络在隐框玻璃幕墙脱胶损伤识别中的应用

引入反向传播(BP)神经网络法,首先择取玻璃面板关键部位的25种动力响应参数、动力特性参数以及隐框玻璃幕墙尺寸以归类神经网络数据库。采用非线性弹簧单元模拟结构胶本构行为及其组合局部脱胶状态,采用有限元方法对不同脱胶状态的隐框玻璃幕墙单元进行了拉压状态下的参数化分析,量化描述了12 545种工况下各脱胶状态,并建立训练数据库。采用反向传播神经网络方法训练检验了数值模拟样本并校验预测精度。结果显示采用本方法可以较好预测隐框玻璃幕墙的组合脱胶状态。     

基于机器学习算法的夹层玻璃冲击破坏预测模型研究

在诸如风致飞射物撞击等刚体冲击作用下, 建筑夹层玻璃因自身脆性特征极易破坏。针对这个问题提出了在刚体冲击下夹层玻璃破坏状态的预测方法, 综合考虑了玻璃构型、中间胶层、支撑条件及尺寸等多种设计参数。首先针对多类夹层玻璃进行往复刚体冲击试验, 建立567组PVB及210组SGP的两种不同中间胶层的夹层玻璃试验数据库; 随后基于鲸鱼优化下的核极限学习机(WOA-KELM)机器学习算法, 建立夹层玻璃破坏状态的预测模型, 并与支持向量机(Support Vector Machine, SVM)及最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)建立的相应预测模型进行对比分析。结果表明, WOA-KELM模型破坏状态预测精度达88.45%, 能较好地预测夹层玻璃的破坏, 满足工程应用的需求, 且预测模型精度及实时性均优于其他模型。