基于分形理论的6061车用铝合金阶段性疲劳损伤研究

选取合适的损伤变量用以表征疲劳损伤程度一直以来都是金属材料失效分析中的重难点,关于这方面的研究也比较薄弱。为解决这一问题,在阶段性损伤试验的基础上,获取并重构了阶段性损伤缺陷特性,结合试件加载过程中缺陷的演化特征,使用分形理论对试件内部随机分布的缺陷进行描述,建立了一个适用于表征细观孔洞缺陷演化过程的损伤变量。结果表明,分形损伤变量可以表征疲劳损伤的演化规律,验证了方法有效性。

基于卷积神经网络的能见度估算

一直以来,如何准确便捷地监测能见度都是减少交通事故工作关注的重点所在,而传统的使用能见度仪检测能见度存在造价高、范围小等缺陷。随着深度学习研究的不断发展,使用深度学习估算能见度也变成现实。本文建立了一种VGGnet 16卷积神经网络模型,经过Dropout(丢弃层)和数据增强优化后,使用监控图像及其对应的能见度值对其进行训练。结果表明,优化后的模型能有效提升训练精度,在小数据集上也能实现非常好的能见度估算效果。