蜗壳座环与混凝土基础联合受力应力分析研究

本文根据蜗壳、座环应力计算和实测资料,进行了系统而大量的有限元分析,得出了符合实际情况的力学模型,提高了计算精度,满足了大型机组的设计要求。又在深入研究一些主要因素相互影响的基础上,提出了大型水电机组有关构件联合承载的新建议。     

动态场景下基于视觉的SLAM技术研究

针对视觉同时定位与地图构建(SLAM)技术在动态环境中存在定位精度低、地图虚影等问题,提出了一种基于深度学习的动态SLAM算法。该算法利用网络参数少且目标识别率高的YOLOv8n改善系统的视觉前端,为视觉前端增加语义信息,提取动态区域特征点。然后采用LK光流法识别动态区域的动态特征点,剔除动态特征点并保留动态区域内的静态特征点,提高特征点利用率。此外,该算法通过增加地图构建线程,剔除YOLOv8n提取的动态物体点云,接收前端提取的语义信息,实现静态语义地图构建,消除由动态物体产生的虚影。实验结果显示,在动态环境下该算法与ORB-SLAM3相比,定位精度提升92.71%,与其他动态视觉SLAM算法相比,也有小幅度改善。     

Single-Step Fast Tissue Clearing of Thick Mouse Brain Tissue for Multi-Dimensional High-Resolution Imaging

Recent advances in optical clearing techniques have dramatically improved deep tissue imaging by reducing the obscuring effects of light scattering and absorption. However, these optical clearing methods require specialized equipment or a lengthy undertaking with complex protocols that can lead to sample volume changes and distortion. In addition, the imaging of cleared tissues has limitations, such as fluorescence bleaching, harmful and foul-smelling solutions, and the difficulty of handling samples in high-viscosity refractive index (RI) matching solutions. To address the various limitations of thick tissue imaging, we developed an Aqueous high refractive Index matching and tissue Clearing solution for Imaging (termed AICI) with a one-step tissue clearing protocol that was easily made at a reasonable price in our own laboratory without any equipment. AICI can rapidly clear a 1 mm thick brain slice within 90 min with simultaneous RI matching, low viscosity, and a high refractive index (RI = 1.466), allowing the imaging of the sample without additional processing. We compared AICI with commercially available RI matching solutions, including optical clear agents (OCAs), for tissue clearing. The viscosity of AICI is closer to that of water compared with other RI matching solutions, and there was a less than 2.3% expansion in the tissue linear morphology during 24 h exposure to AICI. Moreover, AICI remained fluid over 30 days of air exposure, and the EGFP fluorescence signal was only reduced to ~65% after 10 days. AICI showed a limited clearing of brain tissue >3 mm thick. However, fine neuronal structures, such as dendritic spines and axonal boutons, could still be imaged in thick brain slices treated with AICI. Therefore, AICI is useful not only for the three-dimensional (3D) high-resolution identification of neuronal structures, but also for the examination of multiple structural imaging by neuronal distribution, projection, and gene expression in deep brain tissue. AICI is applicable beyond the imaging of fluorescent antibodies and dyes, and can clear a variety of tissue types, making it broadly useful to researchers for optical imaging applications.     

基础沉降变形的灰色预测方法与电子表制作(Ⅱ)——电子表制作方法与技巧

通过工程实例详细说明基础沉降变形灰色预测模型电子表格的制作方法、应该注意的问题、电子表的保护及个性化设计方法。最后总结了如何以“制作好的预测模型电子表”为工具,非常方便地解决其他工程的预测问题,并用实例说明了具体的操作过程。为帮助广大工程技术人员解决程序设计的困难,提供灰色预测的有力工具,同时也为大家用活电子表格系统解决其他实际问题提供了参考。     

浮选图像中泡沫边缘分割

矿物浮选过程中泡沫的表面特征是浮选性能的重要指标,它可以实时、直观地反映浮选效果的变化,准确分割泡沫的边缘信息是浮选过程中一项重要的任务。近年来,研究人员提出了各种浮选泡沫图像分割算法,但浮选泡沫图像中存在泡沫数量多、泡沫间粘连严重以及边缘不清晰等问题,现存的方法由于其特征提取能力有限,无法精确的分割泡沫边缘。据此,本文利用深度学习提出了一种基于多尺度融合的浮选泡沫图像边缘分割算法,该算法通过引入一种深度高分辨率的编码结构以及一种基于注意力的分层融合方法来增强模型的特征提取能力,从而提高对于浮选泡沫边缘的分割效果。具体而言,深度高分辨率的编码结构可以在不同分辨率层级上同时维护特征信息,使我们的网络模型可以有效地捕捉不同尺度的信息,在提高图像语义理解能力的同时能够保持更多的细节信息,提高处理高分辨率以及密集任务图像的能力。除此之外,本文设计了一种基于注意力的分层融合方法来充分融合深层和浅层的特征图,使融合得到的特征图趋向于更重要的特征信息,从而提高识别浮选泡沫的边界和精确定位浮选泡沫的能力。该算法在泡沫边界分割数据集上凭借58.25的泡沫IoU以及73.62的泡沫Fscore取得了最佳的性能,证明了我们提出的算法可以更加准确地分割浮选泡沫边缘。     

Study on rock burst of fully mechanized sublevel caving mining in deep mine

The theoretical analysis, numerical simulation and field observation were used to study distribution characters of abutment pressure of fully mechanized sublevel caving face in deep mine, fully mechanized sublevel caving and pressure relief in entries along goaf to the influence of rock burst. The results show that： （1） With the increasing of mining depth, the abutment pressure zone is larger, its peak point is transferred to the front of face, the danger area occurring rock burst in the two fully mechanized sublevel caving entries is larger, and its position is far from the face; （2） There is larger failure area in the upper coal in front of the fully mechanized caving face, and strata possibly occurring rock burst transferred to the upwards or far from faces because of the main roof＇s buffer effect to the dynamic pressure burst, then possibility and strength reduced; （3） The position occurring rock burst is stress concentration zones （abutment pressure along the goaf and residual tectonic stress） and zones with geological structure; （4） Strenuous activities of roof is the inducing factor occurring rock burst.     

基于改进YOLOv7的钢材表面缺陷检测

钢材表面缺陷对于钢材行业来说是一个巨大的挑战。针对传统的钢材缺陷检测方法存在着效率低、检测精度不高等问题,基于YOLOv7设计了一种AFSD-YOLOv7模型进行实时的钢材表面缺陷检测。首先,在YOLOv7模型中使用一种轻量化卷积结构替换标准卷积结构,,以加速模型的推理过程;然后采用快速空间金字塔池化结构替换原始空间金字塔池化结构,以加速网络的特征提取过程;最后添加改进的ECA-Net注意力机制,以提升模型检测精度。实验结果表明,AFSD-YOLOv7能够对钢材缺陷进行有效识别,相比YOLOv7模型,计算量减少了54.8%,mAP提高了3.2%,对于钢材表面缺陷检测具有实际应用价值。     

基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法

精准识别铁路车号可以为煤厂装车提供依据,从而保证装车环节高效顺利地完成。为此,提出了基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法。首先,利用高速摄像机设备采集原始的车号图像,并利用索贝尔算子检测图像边界;然后,根据列车车号的字体笔画宽度特点,采笔画宽度变换算法定位确定图像中的车号区域,并利用LBP算法提取车号区域内的特征;最后,将提取的特征输入到深度信任网络模型中,在训练网络模型并不断更新参数后,准确识别车号图像。实验表明：该方法能够精准识别乌东选煤厂铁路列车车号图像。在深度信任网络模型中,当受限玻尔兹曼机网络为4层、隐含层节点个数为128个时,该模型的分类识别能力最强,训练损失最小,性能最佳。     

考虑无线充电的无人机路径在线规划

近年来, 无人机在物流、通信、军事任务、灾害救援等领域中展现出了巨大的应用潜力, 然而无人机的续航 能力是制约其使用的重大因素, 在无线充电技术不断突破和发展的背景下, 本文基于深度强化学习方法, 提出了一 种考虑无线充电的无人机路径在线优化方法, 通过无线充电技术提高无人机的任务能力. 首先, 对无人机功耗模型 和无线充电模型进行了构建, 根据无人机的荷电状态约束, 设计了一种基于动态上下文向量的深度神经网络模型, 通过编码器和解码器的模型架构, 实现无人机路径的直接构造, 通过深度强化学习方法对模型进行离线训练, 从而 应用于考虑无线充电的无人机任务路径在线优化. 文本通过与传统优化方法和深度强化学习方法进行实验对比, 所提方法在CPU算力和GPU算力下分别实现了4倍以及100倍以上求解速度的提升.     

钙质砂地基中桶形基础垂直动载响应实验研究

首先进行了垂直静极限承载力实验,为确定垂直动载荷幅值的选择提供参考。然后重点针对栽荷幅值和频率的影响进行了系列的室内小模型实验,并对结果进行了分析,获得了垂直动载下桶形基础在钙质砂地基中的响应特点。