基于可解释性深度学习的传感器异常数据诊断

针对桥梁健康监测中多源传感器数据异常诊断可解释性较差和效率低的问题,提出了一种基于特征可视化的可解释性卷积神经网络(CNN)数据异常检测方法。充分考虑异常模式和多源传感器类型的完整性,结合数据扩充方法,构建了多源监测数据异常模式库,同时,基于CNN展开异常特征提取,利用特征和类激活图(CAM)可视化的方法,深入分析异常类型特征,从而实现对深度学习网络的解释分析。实验结果表明:考虑多源传感器类型可以充分挖掘数据中的有效信息,模型的整体准确率达到了99.37%,所有异常模式的查全率与查准率均超过96%。该方法还能够捕捉时间序列深度学习分类模型的特征学习过程,为桥梁结构连续性监测数据的分析和预警提供了先决条件。

基于深度学习算法的超声TOFD图像焊缝缺陷识别

【目的】针对传统焊缝缺陷检测中人工效率低、检测难度大和漏检率高等问题,基于试验模拟与深度学习算法提出了一种面向TOFD D扫图像的缺陷识别方法。【方法】通过室内试验对不同类型的对接焊接缺陷(夹渣、裂纹、未焊透、气孔和未熔合)进行了模拟,利用不同数据增强方法构建了实际TOFD检测数据特征图库,结合YOLOv5深度学习网络结构进行TOFD D图像数据集的训练与检测,提升模型对焊接缺陷的识别性能,并且自动输出缺陷智能检测结果。【结果】试验结果表明,该方法具备优越的模型泛化能力,当IoU阈值设定为0.5时,模型训练的准确率可达到98.05%;针对5种焊接缺陷类型,在识别时的分类置信度均超过95%,有效提升了焊接缺陷识别的效率,可满足实际场景在线识别要求。【结论】提出的焊接缺陷识别方法具有较高的准确性,可广泛用于不同缺陷检测模型的构建,为焊接质量控制提供了有效的技术支持。

曲线钢混凝土组合梁桥徐变效应分析

针对混凝土桥面板徐变过程对曲线钢混组合梁桥力学性能的影响,以某座5×30 m的曲线双工字钢板组合梁桥为工程背景,使用ANSYS软件建立精细化实体有限元模型,利用其中的Creep准则进行徐变等效计算,在考虑施工过程后研究钢混组合梁桥的徐变效应,并探讨不同加载龄期下的预制板对徐变效应的影响。研究结果表明:桥面板徐变导致的5跨连续梁跨中截面徐变应力在边跨最大,中跨次之,次边跨最小;横桥向上靠近钢纵梁处徐变应力大,远离钢纵梁处应力小;受到“弯扭耦合”影响,外侧钢纵梁应力变化比内侧钢纵梁应力变化更加明显,两者徐变应力值最大差异为32.28%。徐变导致的应力重分布使钢混组合梁中的桥面板应力向钢主梁转移,且钢梁上缘应力的增幅比下缘更为显著,边跨跨中钢梁上缘增幅是下缘的5.6倍。连续梁恒载变形会随着混凝土桥面板徐变持续增加,且边跨跨中附加挠度>中跨>次边跨;混凝土预制板加载龄期越长,徐变效应产生的主梁附加挠度越小,30 d的加载龄期下边跨徐变挠度是180 d加载龄期的1.5倍。

南阳市自行车出行环境优化研究

为了对南阳市的自行车出行环境进行优化,本文结合南阳市当前的自行车交通现状,分析自行车出行存在的问题,提出针对性的南阳市自行车交通优化策略,为居民出行提供良好的骑行环境。