粗合成纤维活性粉末混凝土抗弯韧性试验

为研究不同粗合成纤维用量下活性粉末混凝土的抗弯韧性,采用四点弯曲试验对粗合成纤维用量分别为4．75,9．5,14．25,19 kg ？ m -3的纤维活性粉末混凝土试件进行了研究,同时与不掺入纤维的素活性粉末混凝土进行了对比分析。结果表明：不掺入纤维的素活性粉末混凝土弯拉试件发生脆性破坏,试件一裂即断,未得到荷载-挠度曲线的下降段;而粗合成纤维掺入后能够提高活性粉末混凝土的韧性,使弯拉试件转变为明显的延性破坏,荷载-挠度曲线都可得到稳定的下降段,同时曲线还出现了二次强化现象,有2个峰值;随着粗合成纤维掺量的增加,弯拉试件荷载-挠度曲线的下降段愈加平缓,韧性指数增大;粗合成纤维掺量（体积分数）为1．0％～2．0％时,剩余强度在抗折强度的85％以上,此时粗合成纤维对裂后基体具有较强的阻裂能力,能够大大提高弯拉试件开裂后的韧性。     

余热余压发电输煤控制系统的设计

针对废气余热排入大气的浪费和污染现状,将输煤控制系统应用于余热余压综合节能技术改造项目工程中。该控制系统由PLC输煤控制系统、上位机监控系统以及工业电视监控系统组成。经过一年多的实际运行表明,本控制系统的架构合理、运行可靠,同时降低劳动强度,提高设备利用率,其平稳运行也为其它类似工程提供了实践借鉴。     

一种基于结构相似性的图像质量评价指标

图像质量评价方法是控制传输、压缩和处理对图像质量影响的关键技术,也是多媒体系统中不可或缺的一部分。提出一种基于结构相似理论的图像质量评价指标,首先将待评价的图像分割成若干互不相交的图像块;然后分别计算图像块的显著性和结构相似度;最后以每个图像块的相对显著性作为权重,计算整幅图像的结构相似度。该模型时间复杂度低,同时实验表明该指标的性能明显优于传统指标。     

自复位防屈曲支撑钢框架的抗震性能分析

为了消除防屈曲支撑在强震后留有残余变形的弊端,本文针对一种新型支撑构件—自复位防屈曲支撑,通过有限元软件ANSYS对自复位防屈曲支撑钢框架、防屈曲支撑钢框架和钢框架进行罕遇地震作用下的抗震性能对比分析。结果表明,自复位防屈曲支撑钢框架的顶点位移、层间位移角、残余变形等地震响应均明显小于防屈曲支撑钢框架和钢框架,尤其在残余变形方面,自复位防屈曲支撑基本消除了结构的残余变形,具有良好的复位效果。     

基于物理约束U-Net网络的地震数据低频延拓

由于震源与采集技术的影响,地震勘探数据往往缺失低频信息,严重影响后续的反演和成像处理。现有的地震数据低频延拓方法,大多建立在时域数据分布特征的基础上,容易导致频率与相位信息严重损失。为解决该问题,文中提出一种基于地震波物理参数约束的U-Net深度学习网络进行地震数据低频延拓。首先,利用理论引导数据的思想组织样本,生成大量不同特征的地震数据;然后,通过结合残差跳跃连接改进的U-Net模型学习从中高频地震数据生成低频成分的非线性映射;最后,结合地震信号的物理参数约束提升对频率、相位的恢复效果。实验证明,文中所提方法对地震数据低频恢复具有较好的效果,并在频率与相位的保持上优于同类方法,对提高后续的处理与解释精度具有较高的实用价值。     

基于深度学习的相对地质时间体估计方法

常规自动解释方法难以正确追踪三维地震数据体中被断层错断的地震反射层位。为此,提出了基于深度学习的相对地质时间体估计方法。首先,针对相对地质时间体估计需求,设计一个由编码器—解码器框架组成的相对地质时间体估计网络;其次,采用结构相似性准则为损失函数,利用生成的准确标注合成训练数据集对相对地质时间体估计网络进行训练,使其具备准确地从地震数据体中估计相对地质时间体的能力;最后,通过提取多个恒定的相对地质时间体等值面实现多个地震反射层位的自动追踪。测试结果表明,该方法不仅在验证数据集上显示出优异性能,而且在实际地震数据体上也获得了较好效果;利用估计的相对地质时间体能够一次性获得多个能够表征地层空间形态的地震反射层位。     

Nondestructive measurements of residual stress in air plasma-sprayed thermal barrier coatings

Premature spallation of thermal barrier coatings (TBCs) is a critical issue during the service of gas turbines, and nondestructive evaluation is crucial to address this problem. Herein, a novel approach that indicates delamination by measuring the residual stress evolution of thermally grown oxide (TGO) for air plasma spraying (APS) TBCs is proposed and verified via the combination of photoluminescence piezo-spectroscopy (PLPS) and X-ray computed tomography. A mineral-oil-impregnating approach and a cold-mount low-shrinkage epoxy-mounting approach are used to alleviate the signal attenuation by pores and microcracks in APS TBCs, improving the detectable PLPS signal and X-ray transmission for stress measurement and delamination characterization, respectively. We have nondestructively measured the TGO residual stress mapping in APS TBCs and its evolution with oxidation. Furthermore, the evolution of TGO morphology and critical microcracks are obtained by X-ray computed tomography. The synchronous evolution of TGO residual stress, TGO thickness, and critical microcracks as a function of oxidation time is obtained and correlated. The transition point, as experimentally identified, at which the TGO stress starts to drop, agrees well with the critical moment of microcrack coalescence. This directly verifies that the TBC delamination can be effectively indicated by residual stress evolution of TGO in APS TBCs.     

考虑辨识结果连续性的Type-Ⅲ型工商业负荷辨识方法

非侵入式负荷监测技术可以引导用户合理安排用电时间,从而减少电量消耗.其中,由于状态的连续可变性,连续变化(Type-Ⅲ)型负荷的辨识一直是非侵入式负荷监测中难以解决的问题之一.针对Type-Ⅲ型负荷的辨识难题,提出了基于深度卷积神经网络(CNN)和隐马尔可夫模型(HMM)的非侵入式负荷辨识算法.首先,根据互信息理论进行负荷特征选择;然后,利用残差神经网络作为深度CNN的基本架构,提取负荷多维特征并实现Type-Ⅲ型负荷的初辨识;最后,为了解决CNN辨识结果中存在的状态断点问题,采用HMM完成负荷辨识结果的连续性优化.在复杂的工商业运行环境中,对具有代表性的Type-Ⅲ型负荷数据进行了算法训练和验证,结果表明所提算法能有效辨识Type-Ⅲ型工商业负荷的运行状态.     

基于IEWT和噪能转移SR-MLS反演识别技术的低频振荡信号分析

电力系统低频振荡信号是典型的多分量混噪信号,特征提取较困难。为此,采用基于顺序统计滤波原理(order statistics filter,OSF)平顶上包络的改进经验小波变换算法(improved empirical wavelet transform,IEWT)和随机共振—移动最小二乘(resonance-moving least squares,SR-MLS)反演识别技术相结合的方法实现对振荡信号的特征分析。IEWT结合了小波分析的完备理论性和经验模态分解的自适应性,通过构造一系列正交小波滤波器组对信号进行分解。首先,根据OSF最大值滤波器原理得到频谱的有效平顶上包络,进而确定EWT的边界并对原始振荡信号进行抗噪主导模态分离,然后结合SR-MLS反演识别技术,在残余噪声的帮助下增强振荡特征并有效提取。最后,在自合成模拟信号仿真、IEEE 16机68节点系统仿真以及电网实测数据3个算例仿真下通过与经典Prony法、VMD-Hilbert法对比,表明了所提方法的可行性及有效性。     

基于多尺度耦合的密集残差网络红外图像增强

为了提升非制冷红外热像仪的图像质量,满足低对比度弱小区域的观瞄与锁定的需求,提出了一种基于多尺度密集残差网络的红外图像超分辨重建模型,该模型的基本框架是通过级联多个残差特征进行学习,以粗到细的方式重建高分辨率图像。首先提出一种多尺度跨域融合模块,通过对不同感受野的分支结果进行融合,不仅可以融合不同感受野的互补信息,还可有助于提升梯度收敛和特征传输;然后叠加多个跨域融合模块,并采用残差特征学习进行优化,最终学习出高分辨率细节信息。仿真实验结果表明,所提出的超分辨模型能够较好的超分辨重建效果,在微弱结构保持和点目标保持上的性能也更加突出。所提的模型已经在海思嵌入式深度学习平台上实现了高质量的红外增强,具有较高的工程应用价值。