有砟轨道路基翻浆冒泥模型试验系统的研发与应用

为研究既有线有砟轨道路基的翻浆冒泥机理，自主研发了一套能够模拟循环荷载–湿化耦合作用的模型试验系统。模型试样直径500 mm，由厚度分别为350 mm的路基土和200 mm的道砟组成，整个试样在高强度透明有机玻璃模型筒中制备完成。模型试验系统配备有监测荷载、位移、体积含水率和孔隙水压力的4种传感器，并通过高清相机对颗粒迁移过程进行图像捕捉。基于所研发的试验系统，针对辛泰铁路典型翻浆冒泥病害路段土样，开展翻浆冒泥模型试验。试验结果表明：动孔隙水压力是导致翻浆冒泥病害产生的关键因素。随着体积含水率的增加，动孔隙水压力引起的颗粒迁移量逐渐增加；在饱和状态下，会引起大量颗粒迁移，翻浆冒泥现象显著。试验结束时，道砟污染指数达到25%，在实际工程中已严重影响铁路的正常运营，有必要对污染道砟进行换填。     

异种铁素体耐热钢接头界面组织及其影响

综述了铁素体与铁素体异种金属焊缝（dissimilar metal welds，DMWs）接头界面组织及其影响。结果表明，在焊后热处理或运行温度下的铁素体钢DMWs接头的不均匀界面组织中，通常会形成脱碳层和增碳层。在铁素体钢DMWs焊接接头界面组织影响因素中，焊缝金属的化学成分有重要影响；焊后热处理规范（温度和时间）、工作温度下运行时间的影响较为突出；焊接工艺参数的影响亦不可忽略。异种钢接头界面处近缝区裂纹的产生，以及接头的蠕变强度随Larson Miller 参数增大而下降等不利影响，均为异种钢界面碳迁移行为所导致。焊缝成分控制法是接头界面组织控制或改善的必要条件，而脱碳层部位转移法能有效防止裂纹发生，亦是接头安全运行的重要工艺措施之一。     

超高效液相色谱⁃四极杆⁃飞行时间质谱对含PET食品接触材料中可迁移非挥发性物质的筛查研究

采用超高效液相色谱⁃四极杆⁃飞行时间高分辨质谱（UPLC⁃Q⁃TOF）对4类不同类型的含聚对苯二甲酸乙二醇酯（PET）材质的食品接触材料在4 %乙酸和50 %乙醇模拟物中的迁移出的非挥发性未知物进行筛查解析。结果表明，产品在4 %乙酸模拟物的迁移风险远小于50 %乙醇模拟物，主要迁移物质为聚合单体形成的寡聚物，抗氧剂、润滑剂、胶黏剂等加工助剂以及生产加工、迁移过程中形成的非有意添加物（NIAS）物质；纯PET材质的产品迁移物质较少，多层复合材料迁移物质较多。复合材质的产品中，PET材质可能在生产时添加了己二酸、癸二酸、新戊二醇等物质，进行了改性处理；此外，部分迁移物质会与模拟物中的乙醇发生反应，生成新的NIAS物质。     

磷酸铁锂电池电压一致性改善研究

从环境温度和分容方式两方面进行实验,最终确认了环境温度在35℃结合分容放电后以小倍率电流续放电或微补电的方式,对电压一致性的改善有显著作用.     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。     

基于增强动态稠密轨迹特征的布料材质识别

为了克服基于视频的布料材质识别中由于忽略了动态因素的影响导致材质识别准确率低的难点,利用布料仿真视频库,提出一种基于增强动态稠密轨迹特征的布料材质识别方法以有效识别布料的材质属性信息.首先利用材质合成方法构造64种不同材质的布料仿真视频数据库;然后利用构造的布料动态视频库,通过迁移预训练的VGG网络增强布料动态视频的各帧特征信息,并消除部分非动态特征;其次利用动态稠密轨迹特征描述布料视频的动态特征,以充分捕捉不同布料材质视频的动态信息;最后通过Fisher向量编码生成布料动态信息的特征数据库,并训练SVM分类器建立布料材质视频动态信息到材质属性参数的映射.利用构建的布料仿真视频库作为数据集进行实验的结果表明,该方法对64种不同布料材质视频的材质种类识别准确率达到73.83%.     

面向心脏MRI分割的半监督空间一致性约束网络

精准分割心脏磁共振图像(MRI)分割对于心脏功能分析至关重要.当前基于数据驱动的神经网络模型极大地促进了心脏MRI分割的发展,然而对标注数据的依赖极大地限制了神经网络模型在心脏MRI分割领域的应用.为了降低神经网络模型对于标注数据的依赖,提出一种基于无监督空间一致性约束的半监督心脏MRI分割方法,在少量有标注数据的监督学习基础上,利用无标签数据在模型输入端和输出端分别进行空间变换后前后一致的特性,构建对于无标注数据的空间一致性约束.使用ACDC 2017心脏多组织分割数据集评估了所提出的方法,实验结果表明,相对于有监督学习,通过无监督数据的空间一致性约束能够显著提升模型的泛化能力;此外,相对于其他state-of-the-art的半监督方法,文中方法也拥有更优的泛化性能.