基于模型预测控制算法的智能密度控制系统在选煤厂的应用

为解决三河口选煤厂重介质旋流器分选过程中PID控制对合格介质密度控制调节能力有限等问题，采用系统辨识构建合格介质密度与精煤灰分数学模型，建立了基于模型预测控制(MPC)算法的智能密度控制系统，提高了合格介质密度控制精度，改善了重介质旋流器分选效果。现场应用表明：该系统在合格介质密度控制中应用效果良好，有效抑制了重介质选煤环节随机性干扰，实现了合格介质密度的稳定、动态调节，使精煤质量得到了显著提高，大大降低了精煤灰分波动幅度，稳定了产品质量，提高了经济效益。     

一种用于水声材料设计的动态参数测试方法

针对提高水声材料设计中动态参数输入精度的问题，提出了一种复杨氏模量及泊松比准确测试方法。对于复杨氏模量测试，通过将Williams-Landel-Ferry(WLF)方程引入到Havriliak-Negami(H-N)模型中，采用信赖域反射算法对未知参数进行拟合得到材料参数宽频域主曲线。对于泊松比测试，根据同一材料不同形状因子表观杨氏模量之比与泊松比存在唯一量化关系的特性，仅通过两种不同形状因子试样的准静态有限元模拟，获得表观杨氏模量比值与泊松比量化曲线。因此，根据橡胶样品表观杨氏模量测试结果，可以直接利用局部加权回归获得其泊松比。最后，将前述材料制成直径为55 mm、厚度为50 mm的声管样品，放置在水声管中进行吸声系数测试。同时，把橡胶的复杨氏模量和泊松比的测量结果输入到水-橡胶-水分层介质模型中进行吸声系数计算。结果表明两者吻合，验证了上述测试方法的正确性和有效性。     

爆炸排淤填石法中淤泥的本构模型

以爆炸排淤填石法为背景 ,对不同应变率阶段淤泥的本构模型进行了分析 ,利用ANSYS/LS-DYNA动态有限元分析程序对所选择的模型进行验证和确认。计算和分析结果表明 :在形成爆炸空腔的高应变率阶段 ,淤泥表现为理想不可压缩流体的性质 ;在小药量小抵抗线条件下 ,甚至在淤泥自重作用下的较低应变率变形阶段 ,其黏性效应也可以忽略不计。     

基于大数据深度学习的输电塔结构抗风易损性评估

为了有效预测输电网系统在强风作用下的响应，并开展高效精准的性能评估，文章提出了基于深度学习模型的风致易损性评估框架。以某具备健康监测系统的输电塔结构为例，首先对监测数据进行清洗和重构，通过大数据深度学习建立荷载输入和响应输出的等效映射模型，然后通过数值模拟生成灾害强度均匀的风场数据并由深度学习模型预测输电塔关键杆件响应，计算不同性能水准的易损性曲线。研究结果表明，经训练的深度学习模型可以涵盖实际工程中存在的各类不确定性因素，有效映射复杂风环境下输电塔结构的动力响应。提出的框架方法可以避免单纯通过数值模型制备大量动态响应数据，更高效地进行输电网系统风致易损性评估。     

液氢零蒸发储存系统研究现状与展望

液氢储能密度大，应用前景广泛，实现零蒸发储存是液氢储存的目标。介绍了过热蒸气模型、两相流三维理论模型和三区模型等五种典型的理论模型。通过对模型的分析，总结了模型的发展方向主要为大型液氢储罐热分层和自增压现象的理论研究。分析了目前液氢零蒸发储存系统的关键技术，包括被动热防护技术、主动热防护技术和压力控制技术三个方面，指出了绝热材料性能、20 K温区制冷机效率和蒸气冷屏（VCS）为重要的发展方向。对国内外液氢零蒸发储存系统的发展进行了系统性的概述，分析了不同液氢零蒸发储存系统的实验结果，以及特点和不足。最后针对液氢零蒸发储存系统的发展提出了展望。     

细菌技术在水泥基材料中的研究现状及展望

介绍了细菌技术胶凝复合材料的研究进展，例如细菌诱导碳酸钙沉淀的机理，细菌在水泥基复合材料中的应用方法，细菌对水泥基材料机械性能、耐久性的影响，以及成本效益分析等。概述了在建筑中应用细菌技术的水泥基复合材料的机遇和挑战。     

膨胀剂、减缩剂对超高性能混凝土自收缩性能的影响

为了解决超高性能混凝土(ultra-high performance concrete,UHPC)存在的收缩开裂风险高等问题,研究膨胀剂、减缩剂对UHPC自收缩性能的影响,开展单掺膨胀剂或减缩剂UHPC的扩展度、基本力学性能及自收缩规律的试验研究,并在此基础上对膨胀剂与减缩剂双掺后的减缩效果进行研究.试验结果表明,膨胀剂或减缩剂单掺均提高UHPC扩展度;膨胀剂或减缩剂单掺均降低28 d抗压强度;掺膨胀剂、减缩剂UHPC的28 d自收缩发展可分为3个阶段:快速发展期、缓慢发展期、平稳期;单掺膨胀剂或减缩剂均有效抑制UHPC各阶段的自收缩,其中,膨胀剂HP-CSA质量分数为6.0％时减缩效果最佳,28 d减缩率达93.6％,减缩剂SBT?-SRA(I)质量分数为1.5％时减缩效果最佳,28 d减缩率为43.0％;膨胀剂与减缩剂双掺时未产生协同效应.     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。