动载作用下复合岩体力学失稳机制与损伤本构模型研究

为探究不同层理倾角复合岩体的动载响应特性,利用WDW-300E伺服压力试验机和分离式霍普金森压杆(split Hopkinson pressure bar,SHPB)试验系统对不同层理倾角的复合岩体进行压缩试验和动态冲击试验,基于静载结果对比了动力冲击下复合岩煤(rock coal,R-C)和复合煤岩(coal rock,C-R)的动态强度、能量耗散以及破坏模式。考虑到介质弹性模量和强度的非均质性,通过二次开发得到弹性损伤本构模型,最后建立了考虑复合岩体宏细观损伤的本构模型。试验、模拟和理论分析结果表明:在静载条件下随着层理角度的增加,复合岩体应力峰值表现出明显倒U型变化,其弹性模量逐渐增加而峰值应变在逐渐减小。动载作用下复合岩体R-C和C-R峰值应力、应变和能量耗散值随着角度的增加均表现为先减小后增大,复合岩体R-C的应力、能量耗散值和弹性模量值大于复合岩体C-R,而复合岩体R-C的应变值普遍小于复合岩体C-R。在动载冲击作用下复合岩体在层理倾角为0°和90°时破坏形式主要为劈裂拉伸,吸能率较高破碎块度相对较小,在30°、45°和60°则主要为剪切和拉伸混合破坏,吸能率较低破碎块度相对较大。利用弹性损伤本构模型再现了不同层理倾角下复合岩体内部损伤过程和能量演化。构建了同时考虑复合岩体宏细观损伤的本构模型,其与试验和模拟结果均可以较好地吻合,验证了构建模型的正确性。

基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法。研究中,基于KolektorSDD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集。其次,将构建的数据集划分为训练集和测试集。采用构建的训练数据集,搭建深度学习框架并采用YOLOv5卷积神经网络训练模型,建立换向器表面缺陷识别模型。最后,采用构建的识别模型对测试集中的数据进行测试。结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。