AP1000核电厂CA模块转角部位承载力分析

基于ABAQUS有限元分析软件,对AP1000核电厂中的CA模块转角部位在不同内力工况下进行了详细的有限元分析,分析研究了CA模块转角部位在不同内力工况下的破坏部位及破坏状态,得到了不同内力工况下CA模块转角部位的承载力—位移曲线及极限承载力。分析研究了轴向力对结构模块转角部位的承载力的影响,以及模块中剪力钉的受力特性,对钢板与混凝土的共同受力进行了研究,对结构模块的分析提出了建议。

CAP1000 CA03模块吊装方法研究

大型模块吊装是CAP1000核电机组模块化施工的重点及难点,其中CA03模块是安全壳内置换料水池存箱的重要组成部分,其重量重、尺寸横跨范围大,是常见的大型结构模块。CAP1000工程中CA03模块整体吊装难度大,且吊装过程中模块容易发生形变。在CA03模块内侧焊接型钢等工装,通过有限元计算分析,研究在增加防变形工装的情况下,CA03模块吊装过程中应力、弦长间距、稳定性、位移等关键参数的变化,以此来验证CA03吊装时防变形工装的有效性及其对吊装作业的影响。

核电CA03结构模块吊装实践

要CA03结构模块吊装属于超大件吊装作业,具有外形尺寸大(呈几何不规则)、构件多、吊装重量重、吊装就位难度大等特点。通过分析该模块的吊点位置、吊装荷载、变形应力,介绍了模块的吊装方案,为核电施工大型异形设备吊装提供可借鉴的经验。

基于CA-YOLOv9网络的实时全景多尺度课堂行为识别

随着人工智能的发展和“智慧课堂”概念的兴起,课堂行为智能化识别成为研究的热点。目前,国内外研究多采用数个学生或教室的局部影像,而对于学生人数密集、尺度变化范围大且存在大量物体遮挡的全景教室图像实时检测鲜有涉及。为此,文章基于YOLOv9网络,加入CA模块,构建了CA-YOLOv9网络;之后,通过结构分析实验、消融实验和对比实验,得到了CA-YOLOv9网络的最佳结构,并验证了其识别性能;最后,将训练好的CA-YOLOv9网络应用于全景多尺度课堂行为识别,证明了该网络能在不降低推理速度的同时提升检测精度,初步验证了该网络在智慧课堂中实时应用的可行性。文章的研究可为及时了解学生的学习状态和教师教学方法的有效性提供依据,有助于推动人工智能与教育教学的深度融合。

AP1000 CA结构模块剪力钉的焊接

第三代核电AP1000的设计中采用了模块化施工的新理念,CA结构模块取代了传统的墙体施工方法,通过剪力钉将CA结构模块的墙体和混凝土结合成一个整体,简化了施工工艺。以CA结构模块的剪力钉为主要描述对象,简述了其设计要求以及螺柱焊和焊条电弧焊焊接方法,并对现场施工中剪力钉与其他组件相互干涉时的常用解决方法进行了阐述。

CAP1400核电站CA03模块最优吊点选择与分析

CAP1400核电站CA03模块是大型圆弧形钢结构,质量和体积大,整体刚度小,在吊装过程中容易发生变形。针对以上难点,制定了吊装方案,运用ANSYS软件对CA03模块的吊装进行了对比计算,分析采用不同吊点组合时CA03模块应力和位移的变化趋势及吊梁的受力情况,从而得到最大应力、最大位移以及吊梁受力的对比数据,选出最优吊点。

AP1000 CA03模块吊装变形控制分析

三门1号机组CA03模块的施工过程中,发生了就位后变形超标的问题。文章对1号CA03模块施工工艺、变形情况等进行了介绍,对变形的影响和原因进行了分析,并在此基础上提出了后续CA03模块吊装变形控制的改进建议。

AP1000核电CA03模块吊装变形控制实践

AP1000作为第三代核电堆型,与国内已建压水堆核电施工方式不同,建造方面采用了模块化建造技术,施工过程中所需的结构及设备模块多达170多个。如此大批量、超重超高的大型模块就位,需要专门的吊装方案设计,以及特种大型吊车进行吊装。CA03模块结构形状复杂,属于异形模块,如何控制吊装过程变形是关键。鉴于此,文章通过分析该模块的吊点位置、吊装荷载、变形应力,介绍了模块的吊装方案,为建筑施工大型异形设备吊装提供可借鉴的经验。

CAP1400安全壳和模块整体出厂时大件码头及场内设施改造方案分析

从 CAP1400核电钢制安全壳和模块整体出厂的构想尚存在诸多不确定因素切入，按照模块整体出厂参数，依据已审批的3000～5000 t 级核电站码头初步设计资料、SG 浮吊卸货运输方案、拟采用18000 t 级半潜船运输构想、重件道路等场内设施初步设计参数，对码头、场内设施等设计方案按照理想状态同比例放大航道、港池、码头、重件道路等参数建立模型，进行模块整体出厂的改造分析。经过对船型参数、航道、港池、码头、场内设施详细的技术与经济对比分析，对模块整体出厂从理论、安全、技术、经济等方面给出了切合实际的建议。

某核电项目核岛CA03模块吊装变形问题的分析

核电工程项目建设中,大型模块吊装的变形控制一直以来是工程管理的重点和难点,某核电项目在CA03模块吊装过程中由于模块迎风面大、吊装高度高、吊装空间狭小,出现了模块吊装变形超差的问题。本文对CA03模块的安装过程进行了简要介绍,分析了吊装变形问题的成因及其可能造成的潜在影响。后续类似安装工程需根据设备特征、场地特征和施工环境等多方面因素,提前制定防止模块吊装发生变形的措施。

AP1000核电结构模块CA01立式拼装分析报告

对于依托化结构模块的拼装工作已经基本完成,并已经取得了一定拼装经验,在依托化的基础上,分析国产化特点并结合CA20在厂房内立式拼装的独特工艺的经验反馈。使国产化结构模块的拼装工作在保证质量的前提下更有效、安全地完成。

核电厂CA31模块双相不锈钢覆面板焊接变形控制

双相不锈钢的金相组织是铁素体与奥氏体,兼有奥氏体和铁素体不锈钢的特点,耐晶间腐蚀性能和焊接性能显著提高,尤其是耐海水腐蚀性能优越。双相不锈钢被大量运用于AP1000型核电厂结构模块。 本文分析了某核电厂工程建设期间CA31模块双相不锈钢覆面板恢复过程中因焊接变形导致安装超差的原因,运用控制变量实验进行对比分析,最终采用锤击、降低热输入量、改进结构形式等防变形控制措施,确保了CA31模块双相不锈钢覆面安装质量,为后续项目双相不锈钢焊接提供良好的经验反馈。

恶意代码可视化分类研究

新型恶意代码设计变得日益复杂,传统的识别并检测方法已经满足不了当前的需求。因此,在对BODMAS数据集分析的基础上,将其进行可视化处理并进行分类。同时考虑到现有恶意代码可视化分类模型主要依赖全局特征,在卷积神经网络基础上设计了一个CA(通道级局部特征关注)模块和一个MA(多尺度局部特征关注)模块,构建了两个新模型,巧妙地结合全局与局部特征。在BODMAS数据集上,新模型在恶意代码种类识别并分类平均准确率相比于BODMAS数据集论文描述的方法得到了提高,证明了数据集可视化可行性和新模型的有效性,为未来研究提供了重要的数据和实验基础。

基于SET协议的电子支付系统模块设计

安全的电子支付系统是实现电子商务交易的核心。文中根据SET协议的电子商务支付流程,把网上电子支付系统分为购物平台模块、网关支付模块和CA模块三部分。然后通过使用双重签名和数字签名技术来对模块进行分析,从而实现各个模块的功能。

基于改进YOLOv5s的电力作业人员安全帽检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。

基于YOLO v5l-Im的排水管道缺陷检测方法及效果分析

针对YOLO v5l(you only look once version 5 large)算法对于小目标、少样本且背景复杂的排水管道缺陷图像检测的精度低、误检和漏检率较高等问题,提出了一种基于YOLO v5l-Im算法的排水管道缺陷检测改进方法。做了三点改进:首先提出了Focal-EIoU(focal embedding intersection over union)损失函数,有效提升了检测模型的性能;其次为增强检测模型对小目标缺陷的检测效果,减少缺陷误检和漏检的概率,将骨干网络中浅层特征图融合到双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)中,增加针对小目标的预测层;最后在YOLO v5l中引入坐标注意力机制(coordinate attention,CA),提高模型对图像中感兴趣区域的敏感程度,减少冗余背景信息的干扰。3种改进对平均检测准确率(mean average precision,mAP)的提升分别为2.0、2.9、5.9个百分点。将三种有效改进融合到一起,检测结果表明:本文提出的YOLO v5l-Im模型的mAP达到了92.1%,较原模型的85.5%提升了6.5个百分点。由此可见,所做的改进有效增强了YOLO v5l对排水管道缺陷的检测能力。

基于改进YOLOv5的工业安全帽检测

YOLO系列算法是目前计算机视觉目标检测领域主流的算法模型,其中以YOLOv5为代表的算法往往具有更快的检测速度和更高的准确率。由于工业施工现场受到例如光照、遮挡等复杂因素的影响,现有的检测算法对于小目标的检测精度不佳,存在漏检、错检等问题。鉴于此,提出一种改进的YOLOv5安全帽检测算法。算法的改进主要为两方面,一方面对YOLOv5的三个预测输出层分别加入三种不同的自注意力机制,对大、中、小三个预测输出层之前分别加入SKNet模块、CA模块、ECA模块用以增强模型对于中小目标检测的鲁棒性,加入通道和空间的特征信息使得模型在预测中小目标时专注于被检测目标,同时在每一个模块引入残差连接,提高训练速度,有效解决因为引入自注意力机制造成的梯度消失问题;另一方面改进原来预测边界框的损失函数,采用DIoU损失函数加快训练的速度,提高了检测精度。在开源的数据集上进行实验验证,实验结果显示改进后的YOLOv5模型对比于改进之前的mAP值提升了1.6%。

基于改进DeepLabv3+的番茄图像多类别分割方法

番茄图像中多类别目标的准确识别是实现自动化采摘的技术前提,针对现有网络分割精度低、模型参数多的问题,提出一种基于改进DeepLabv3+的番茄图像多类别分割方法。该方法使用幻象网络(GhostNet)和坐标注意力模块(Coordinate attention, CA)构建CA-GhostNet作为DeepLabv3+的主干特征提取网络,减少网络的参数量并提高模型的分割精度,并设计了一种多分支解码结构,用于提高模型对小目标类别的分割能力。在此基础上,基于单、双目小样本数据集使用合成数据集的权值参数进行迁移训练,对果实、主干、侧枝、吊线等8个语义类别进行分割。结果表明,改进的DeepLabv3+模型在单目数据集上的平均交并比(MIoU)和平均像素准确率(MPA)分别为68.64%、78.59%,在双目数据集上的MIoU和MPA分别达到73.00%、80.59%。此外,所提模型内存占用量仅为18.5 MB,单幅图像推理时间为55 ms,与基线模型相比,在单、双目数据集上的MIoU分别提升6.40、6.98个百分点,与HRNet、UNet、PSPNet相比,内存占用量压缩82%、79%、88%。该研究可为番茄采摘机器人的智能采摘和安全作业提供参考。

反应堆厂房楼板模块分析方法改进研究

第三代先进核电厂反应堆厂房内的楼板模块(即CA楼板模块)采用型钢、钢板与混凝土的组合结构形式,由于不同于一般的支模浇筑的混凝土结构,施工过程中并不影响下方已安装的设备物项,这种形式的楼面结构有利于缩短土建与安装周期。本文详细研究了依托项目核电站反应堆厂房楼板模块的结构特点,以及其在施工、正常运行、事故工况下结构分析与设计方法,根据不同工况下的边界条件假定,提出了五种参数化分析模型的改进分析方法,结合包络分析、迭代设计的理念,形成了一套完善的CA楼板模块分析设计方法。

面向航天光学遥感复杂场景图像的舰船检测

基于深度学习的目标检测算法直接应用于航天光学遥感(Space Optical Remote Sensing,SORS)复杂场景图像中会出现舰船目标检测效果不佳的问题。针对该问题,本文以近海复杂背景的密集排布舰船和远海多干扰中小目标舰船为检测对象,提出一种改进的YOLOX-s(Improved You Only Look Once-s,IM-YOLO-s)算法。在特征提取阶段,引入CA位置注意力模块,分别从高度与宽度两个方向对目标信息的位置进行权重分配,提高了模型的检测精度;在特征融合阶段,将BiFPN加权特征融合算法应用到IM-YOLO-s的颈部结构,进一步提升了小目标船只检测精度;在模型优化训练阶段,以CIoU损失替代IoU损失、以变焦损失替代置信度损失、调整类别损失权重,增大了正样本分布密集区域的训练权重,减少了密集分布船只的漏检率。另外,在HRSC2016数据集的基础上增加额外的离岸中小舰船图像,自建了HRSC2016-Gg数据集,HRSC2016-Gg数据集增强了海上船只及中小像素船只检测时的鲁棒性。通过数据集HRSC2016-Gg评测算法性能,实验结果表明:IM-YOLO-s对于SORS场景舰船检测的召回率为97.18%,AP@0.5为96.77%,F1值为0.95,较原YOLOX-s算法分别提高了2.23%,2.40%和0.01。这充分表明该算法可以对SORS复杂背景图像进行高质量舰船检测。