强化概念培养的结构力学课程教学探索

提出强化力学的概念培养是结构力学课程的重要任务,同时是关乎设计理论、施工实践等是否优劣的重要因素。然而概念的深化理解往往依赖于定量的分析结果,解决计算问题已经是学生学习结构力学、教师讲授结构力学不可忽视的重要方面。因而文章探索出快速实现结构力学的计算分析,重点培养学生力学思维、概念分析能力,从而使学生扎实掌握结构力学这门重要的基础课程。

用简易法作梁的内力图的探讨

总结了材料力学内力图简易、快捷的作图方法,分析出五条梁的内力图规律,并列出了五种常见的弯矩图,指出掌握内力图规律和常见的内力图可大大提高作图效率。

次梁对板受力性能影响的研究

关于板的研究已经积累了很多的方法,但结合次梁布置造成的板跨改变而引起的受力性能研究很少涉及.该文从工程应用层面着手,8 m柱跨下添加不同次梁以研究板的受力性能.从两方面展开工作:通过有限元软件ANSYS建立模型,以数值解的方式来研究问题;运用弹性力学级数解的方式进行分析.这两种方式对板的受力性能有了较为全面的认识,对梁板的刚度问题与内力传递问题给出了一个合理的解释,也为建筑结构工程设计提供经验.

采用和函数法对多跨深梁的研究

基于弹性力学的理论分析,提出用和函数法求解深梁问题,经过分析研究,证明了用和函数法对多跨深梁的研究取得了较为理想的结果。

基于线性与力学特征分析对称性结构内力

从看似简单的问题入手,深入探讨了极易被普遍忽视,而教学思考中不得不深入研究的问题;主要研究对称结构在反对称荷载作用下,对称轴处内力问题。通过引入线性代数相关理论,分析线性方程组相关特征,无法得到对称性结构在反对称荷载作用下的内力特征,只有结合结构对称性的力学特征,深入探讨反对称荷载作用下,才能充分得到对称轴处的对称内力的特征。这虽然是对结构力学知识的深入探究,但充分发掘出了“源知识”,它为后续的教学创新性提供了思考的空间,也促进了教与学相互发展。

采用有限差分法解三维深梁

采用一种新的数值方法分析三维弹性深梁,更具体而言,采用了有限差分方法,这个方法有效解决了三维深梁问题,指出相比传统的计算方法,该方法提供的数值解精度高,减少了计算工作,其计算结果通过与传统方法相比得到了验证。

用简单方法解一道“希望杯”竞赛题

例两盒糖果共176块,从第二个盒子中取出16块放入第一个盒子中,这时第一个盒子中糖果的块数比第二个盒子中糖果的块数的m倍(m为大于1的整数)多31,那么第一个盒子中原来至少有糖果____块.(第19届(2008年)初一第1试)

基于全卷积神经网络迁移学习的乳腺肿块图像分割

针对乳腺X线摄片中肿块通常会被周围致密组织所掩盖,对比度低,且其形状不规则,肿块图像分割困难的问题,设计了一种基于全卷积神经网络迁移学习的乳腺肿块图像分割方法.该方法首先对乳腺肿块图像进行数据增强,然后利用迁移学习,对设计的全卷积神经网络模型载入参数并训练分割模型,最后在训练好的模型上对待分割图像进行处理.分割结果采用区域面积重叠率、Dice相似系数、Hausdorff距离等指标进行评价分析,在公开数据集的483幅图像上的实验结果表明:提出的方法的分割效果明显优于传统分割算法.

基于空洞卷积密集连接网络的左心室MR图像分割方法

左心室核磁共振(MR)图像分割对于评估心脏功能和诊断疾病具有重要意义.传统分割算法对于左心室,尤其是含有左心室流出道的左心室MR图像,存在分割精度不够的问题.设计了一种基于空洞卷积密集连接网络的左心室MR图像分割方法.该方法利用密集连接网络和空洞卷积缓解了深度学习中梯度消失和内存过度消耗的问题,并且通过数据增强和提取感兴趣区域的方法提升了网络的准确性.分割结果采用平均垂直距离、Dice系数等指标进行评价分析.在MICCAI2009心室分割数据集的138张图片上的测试结果为:内、外膜的平均Dice系数分别为0.91和0.96,平均垂直距离分别为1.71和1.42.实验结果表明,此方法分割精度明显高于其他方法,对于含有左心室流出道的MR图像也能准确分割.

正交异性悬臂梁在均布荷载作用下的弹性应力解

利用弹性理论,推导了悬臂梁在均布荷载作用下,考虑其各向异性时应力分量的解析解。得到的解析解对于研究悬臂梁具有重要的指导作用。

基于SVGG16的乳腺肿块图像识别

针对基于深度学习的乳腺X线摄片肿块识别过程中的特征冗余问题,对VGG16进行了改进,减少模型中卷积层和卷积核的个数,提出一种精简的卷积神经网络模型SVGG16,用于感兴趣区域中肿块的识别.同时,为避免网络模型受小样本量限制出现过拟合现象,通过旋转与翻转操作对感兴趣区域进行数据增强.通过实验对网络模型的性能进行评估,结果表明:SVGG16模型的准确率、精确度、敏感度以及F1_score等评价指标分别达到了90.34%、89.87%、88.75%和0.89,明显优于其他已有的卷积神经网络模型,同时其计算效率也明显高于原始VGG16模型.