双层球面网壳结构的阻尼替代杆件减振控制研究

采用阻尼杆件替代双层网壳结构中的部分下弦杆件,既不改变原结构的网格形式,又对其进行有效的减振控制。在ANSYS软件中建立粘弹性阻尼杆件的数值模型,采用阻尼杆件对网壳部分下弦杆件进行替换,建立网壳减振结构数值模型;分别采用8种阻尼杆件替换方式对结构进行控制,进行结构的三维地震作用分析,在三种常用II类场地地震作用下考察替换杆件布局对结构控制效果的影响。研究表明:阻尼杆件布局方式对结构动力响应的控制效果有较大影响,合理布置阻尼替换杆件可以有效降低结构最大节点位移、最大节点加速度、最大杆件轴力等响应,控制效果可以达到20%～30%。     

基于Swin Transformer-CNN的单目遥感影像高程估计方法及其在公路建设场景中的应用

目前,在遥感影像几何条件和辐射质量良好的情况下,通过多视遥感影像的逐像素立体密集匹配对场景进行高程估计的技术相对比较成熟,无论是精度还是效率均达到了较高水平。然而,当具有良好几何条件和辐射质量的多视遥感影像难以获取时,经典摄影测量和计算机视觉的几何处理方法可能会面临较大的挑战。本文对该问题进行了研究,针对大幅遥感图像中各部分高程分布差异大,模型训练难度大的问题,提出了一种基于Swin Transformer和卷积神经网络(convolutional neural network, CNN)的单目遥感影像高程估计方法。一方面Swin Transformer利用滑动窗口和层级设计,兼具了卷积神经网络处理大尺寸图像和提取多尺度特征的能力及Transformer的全局信息交互能力。另一方面针对大幅遥感图像中各部分高程分布差异大带来的训练不稳定问题,本文方法能针对每张输入图像自适应地划分高程值,将高程估计问题转化为分类-回归问题,最终图像各像素点的高程值由划分的高程值及其分布概率得到。试验结果表明：本文所提出的基于Swin Transformer-CNN的遥感影像高程估计方法无论是定性还是定量的...     

低秩表示与深度学习结合的裂缝检测与样本生成方法EI北大核心CSCD

随着社会的快速发展，越来越多高质量桥梁、公路、隧道等大型基础设施显著提高了人民生活水平。但大量新增或既有的基础设施也给传统基于人工的安全巡检带来新的挑战：如何自动获得它们的健康状态、对异常情况进行精准测绘成为一大难题。本文以桥梁道路裂缝为研究对象，针对现有方法智能化水平低、泛化性不够的问题，提出低秩表示与深度学习结合的裂缝检测与样本生成方法。一方面，通过低秩表示，可自动从具有相似背景的路面影像序列中挑选出包含裂缝的影像，再结合灰度与几何信息进行后处理，获得像素级裂缝掩膜。另一方面，针对现实中各类复杂场景，进一步从影像语义分割角度，提出一种融合多层级特征和空洞空间金字塔池化的裂缝检测深度网络，并使用由低秩表示获得的裂缝样本进行训练。大量试验表明，本文方法在裂缝识别精度和自动化方面显著优于现有方法，不仅可用于各类桥梁的裂缝检测、定位与测绘，还可用于隧道、水坝等其他场景，泛化性能良好。