基于路径聚合扩张卷积的图像语义分割方法

基于编码器-解码器的深度全卷积神经网络在图像语义分割中取得了重大的进展,但是深度网络中网络低层定位信息传播到网络高层路径过长,导致解码阶段难以利用低层定位信息来恢复物体边界结构,针对这一问题,提出了一种应用在分割网络解码器部分的路径聚合结构。该结构缩短了分割网络中低层信息到高层信息的传播路径并提供多尺度的上下文语义信息,使得分割网络能产生更为精细的边界分割结果。针对语义分割中常使用的Softmax交叉熵损失函数对外观相似样本区分能力不足的问题,对Softmax交叉熵损失函数进行改造,提出了双向交叉熵损失函数。本文提出的路径聚合扩张卷积网络结合新的损失函数方法在PASCAL VOC2012Aug数据集上获得了更好的效果,将mIoU值从78.77%提升到了80.44%。

全断面隧道掘进机施工大数据的有效数据提取研究

基于引汉济渭、高黎贡山隧道、合肥轨道交通、深圳春风隧道、洛阳轨道交通等典型的土压、泥水、TBM盾构施工项目,为解决提取数据时遇到无关状态数据较多、价值密度低、某些维度数据缺失、提取易失败、提取数据速度慢、数据量大等有效性差和效率低的问题,在数据挖掘源头采用多条施工线路的数据试验和无关状态分离、容错性判断等方法进行数据提取和判断,形成基于盾构施工的有效数据提取方法,解决盾构施工大数据分析时提取易失败、无效数据多、提取过程缓慢问题,为多线路并发的数据分析和实时为施工现场提供智能决策奠定基础。

我国隧道智能建造技术发展与展望

阐述隧道智能建造的总体目标与技术路径,对目前盾构/TBM法和钻爆法隧道应用的一系列智能建造技术进行介绍。结合行业前沿,对隧道智能建造面临的主要问题和发展前景进行论述与展望。研究显示:1)隧道建造由机械化升级到智能化是社会发展的必然趋势。2)隧道智能建造发展大致可以划分为初级和高级2个阶段,初级阶段隧道建造仅在个别场景、简单作业方面实现智能装备作业,高级阶段是指实现了隧道建造多场景、多工序智能感知、决策、互联与协同。3)智能预制生产线+现场智能化装配+数字化管控将成为隧道智能建造的发展趋势。4)智能建造将为隧道行业注入新活力,促进行业升级。

隧道掘进机刀盘驱动多电机同步自适应耦合控制研究

为解决隧道掘进机运行过程中刀盘驱动系统各电机受力不均衡导致的部件损坏或系统故障的问题,对刀盘驱动系统结构及控制模式进行分析,建立电机矢量控制模型,提出一种改进的刀盘驱动耦合控制结构。该结构一方面可以增加从电机给定转速选择功能,消除起动阶段延时引起的同步误差;另一方面,可以通过转速补偿耦合策略缩小电机之间的转速差。在控制方法上,设计神经网络PI控制器来控制各个电机的转速,使控制系统能够根据载荷的变化自适应调整控制参数,提高控制精度。最后,通过建立Simulink仿真模型,对比自适应耦合控制与主从控制、并行控制的同步效果。结果表明,所提出的自适应耦合控制方法能够使控制中的各个环节相互配合,可达到较好的控制性能和响应转速。

基于深度神经网络的围岩无侧限抗压强度预测

实时的围岩抗压强度预测能对TBM安全高效掘进有重要意义。针对现有技术难以实时获取隧道掘进机掌子面岩体参数的问题,基于青岛地铁1号线掘进过程产生的掘进参数数据,分别使用深度神经网络构建隧道围岩无侧限抗压强度实时感知模型。模型利用掘进阶段100s内总推进力、刀盘转速、刀盘扭矩、推进速度和撑靴压力等TBM运行参数数据实时预测掌子面围岩强度,平均预测精度达到72%,并系统研究模型的跨线路应用和模型跨区间应用问题。这些认识与成果对TBM掘进参数优化和风险预警有着重要意义,并将为建立基于数据挖掘的TBM智能决策控制平台提供参考。