Experimental study on temperature stress calculation and temperature control optimization of concrete based on early age parameters

Temperature control curve is the key to achieving temperature control and crack prevention of high concrete dam during construction,and its rationality depends on the accurate measurement of temperature stress.With the simulation testing machine for the temperature stress,in the present study,we carried out the deformation process tests of concrete under three temperature curves：convex,straight and concave.Besides,we not only measured the early-age elastic modulus,creep parameters and stress process,but also proposed the preferred type.The results show that at early age,higher temperature always leads to greater elastic modulus and smaller creep.However,the traditional indoor experiments have underestimated the elastic modulus and creep development at early age,which makes the calculated value of temperature stress too small,thus increasing the cracking risk.In this study,the stress values of the three curves calculated based on the strain and early-age parameters are in good agreement with the temperature stress measured by the temperature stress testing machine,which verifies the method accuracy.When the temperature changes along the concave curve,the law of stress development is in consistent with that of strength.Under this condition,the stress fluctuation is small and the crack prevention safety of the concave type is higher,so the concave type is better.The test results provide a reliable basis and support for temperature control curve design and optimization of concrete dams.     

基于Petri网的并发事件流程模型修复分析

目前,流程模型可以从大量的事件日志中挖掘出来,以重放大多数的日志.但是,少数偏离流程模型的日志亦是有效的,为了使事件日志与流程模型更加拟合,模型修复是一个很好的方法.提出了基于Petri网的并发事件流程模型修复分析方法.首先,找到事件日志与流程模型的最优对齐,筛选出用于修复的并发事件;其次,利用提出的重构子流程的修复方法,对筛选得到的并发事件进行重构;最后,根据算法嵌入到原始模型中以实现模型修复,并通过一个具体实例说明了该方法的合理有效性.修复后的模型可以完全重放给定的事件日志,并且能够避免因循环造成的多余行为的发生,同时也在最大程度上保留了原始模型的使用价值.     

电力系统配网有功无功协调自动优化系统设计

为解决电力系统配网发电调度不合理与运行安全问题,为此提出电力系统配网有功无功协调自动优化系统.构建优化数学模型及其约束条件.实验结果表明,该系统协调了优化方向上的成本与网损矛盾,实现综合效益最大化,根据充放电功率与电荷状态、有载调压变压器与补偿电容器组的档位自动调整情况,说明该系统具有安全稳定的运行性能.     

基于信道状态特征的手势动作识别技术研究

手势识别作为人和机器之间重要的交互手段,在日常生活中具有广泛的应用场景。基于无线信号特别是WiFi的手势识别由于其无接触、成本低等优点成为当前热门的方式。为解决传统基于无线信号手势识别算法没有充分利用信号相位特征的缺点,本文提出利用WiFi信道状态信息幅值和相位结合的方式进行手势识别。通过子载波降维和动作曲线提取对接收的WiFi信号进行处理,并将信号的幅值和相位结合,利用机器学习算法对数据进行训练和分类,实现了单手向前、单手向后、单手向左、单手向右、单手向上和单手向下六种手势的识别。实验结果显示,本文算法在近距离和远距离下的精确度分别为96%和92%。     

无线可充电传感器网络混合移动充电调度研究

能量约束是无线传感器网络应用的重要限制.无线能量传输技术因为在效率和可靠性方面的突破,已成为无线传感器网络极具潜力的能量补给方案.目前已有的移动无线充电调度方案可分为周期性调度和在线调度方案,虽然各种方案有不同的适用场景,但是难以同时兼顾周期性调度的高充电效率和动态调度的实时性.本文提出一种按需的无线传感器能量补给调度方案,首先每个周期对所有请求充电的全局优化节点充电路径,接着对实时性请求结合动态插入法安排紧急需求节点充电.通过仿真实验比较,本文提出的混合方案相对于周期性调度方案和按需方案在充电效率、移动路径代价和节点饥饿率上具有显著优势.     

面向曳引钢带缺陷检测的径向磁化电磁传感器仿真研究

针对曳引钢带缺陷检测提出了一种径向磁化电磁传感器,实现曳引钢带缺陷的精准检测.基于电磁耦合和高导磁材料的聚磁特性,采用有限元分析方法建立起径向磁化电磁传感器的等效模型,分析了聚磁铁芯宽度和线圈安匝数对径向磁化电磁传感器测量处磁感应强度大小的影响规律.结果表明,宽度为1 mm的聚磁铁芯具有最佳的聚磁效果,测量处磁感应强度随着安匝数增加而增大并趋于饱和;接着,选取曳引钢带断丝和磨损两类典型缺陷,进一步仿真分析了其缺陷程度与测量点处磁感应强度的映射关系,结果表明,测量点处磁感应强度随着缺陷程度增加而减小;最后,对研制的径向磁化电磁传感器进行性能测试,并将其应用于曳引钢带缺陷检测实验中,测量值与仿真值的最大相对误差为7.8％.     

基于样本特征核矩阵的稀疏双线性回归

在许多实际应用中出现了大量的冗余数据,这些数据可能是高维的,这时进行回归预测将会出现过拟合的现象,并且还会出现预测精度偏低等问题.另外,大多数回归方法都是基于向量的,忽略了矩阵数据原始位置之间的关系.为此,文中提出了一种基于样本特征核矩阵的稀疏双线性回归(Kernel Matrix-based Sparse Bilinear Regression,KMSBR)方法.该方法直接将数据矩阵作为输入,其是通过左右回归系数矩阵而建立的,利用样本的特征核矩阵和L2,1范数,能够同时实现对样本及样本特征的选择,且考虑了数据的原始位置,提高了算法的性能.在若干数据集上的实验结果表明,KMSBR能有效地选择相对重要的样本和特征,从而提高算法的运行效率,且其预测精度优于已有的几种回归模型.     

考场环境下考生视线估计方法

考生异常行为的监测容易使监考人员产生视觉疲劳。借鉴监考人员发现异常的过程,提出一种可用于考场异常行为分析的视线估计模型。为了减少图像中视线的信息损失,采用注视向量表示视线的大小和方向。该模型分为生成器、视线合成模块、鉴别器,先将考生头部图像输入生成器生成注视向量,再将头部位置和注视位置输入到合成模块得到真实注视向量。将头部图像与上述所得的两种向量输入鉴别器中,其生成对抗模式达到最优时,可得到生成真实值的生成器模型。实验结果表明,在多个考场环境中,该方法的性能优于所对比的几种方法。其中与Lian等人方法相比AUC（Area Under Curve）提高了2.6%,Ang（Angular error）和Dist（Euclidean distance）分别有效降低了20.3%和8.0%。     

环状扫描的强深度森林

深度森林（Deep Forest,DF）,由于此模型超参数少,且参数设置没有过多的要求,训练方便,鲁棒性高,因此在处理大型数据时比神经网络算法更加具有优势。但是,传统的深度森林中,多粒度扫描忽略了边缘数据携带的隐含信息,无法充分地获得各个特征子集,进而会对以后的级联部分产生影响。而且,级联部分每次得到的新特征有限,影响了模型的表征学习能力。针对以上问题,提出一种环状强深度森林（Circular Strong Deep Forest,CSDF）,其通过环状扫描过程,一定程度上得到更充分的特征子集,且强级联森林通过特征选择提高了模型的表征学习能力。经过在不同数据集上的测试,结果表明,CSDF的性能更加优越,尤其是高维数据上更为明显。     

基于粒子群优化BP神经网络的超声波缺陷位置预测

海洋设备的无损检测对于保障设备安全使用至关重要,由于设备所处的海洋环境特殊,要实现对海洋设备缺陷位置的准确估计难度较大.论文提出了一种基于粒子群优化BP神经网络(PSO-BP)预测设备缺陷位置的方法.通过模拟了海洋检测环境,用钢板作为实验对象,用超声波探伤仪对缺陷钢板进行了数据采集,获取了水下钢板的实时数据.通过粒子群算法对BP网络进行优化后对数据进行分析,对比缺陷出现的实际位置和预测位置,证明了粒子群优化的BP神经网络对于超声波检测的缺陷出现位置具有较好的预测效果.