GPU环境下基于图像特征的水泥基材料强度估测

发布时间：2020-11-08 08:18

　　 水泥、混凝土等水泥基材料广泛应用于工业、交通、城市建设等领域,其质量是影响安全的重要因素。强度是衡量水泥基材料质量的重要指标,其中最重要的是抗压强度,因此对于水泥基材料抗压强度的研究在其质量检测、设计及工程应用中发挥了积极作用。通常水泥基材料的强度测量是通过物理实验的方法,耗费大量的人力物力,并且这种方法具有破坏性。近年来,随着计算智能的不断发展,人们打破了传统的物理实验的方法,借助计算机对水泥水化过程进行模拟仿真,并且对水泥强度进行研究。由于水泥强度研究具有多变量、非线性的特点,因此,线性回归与聚类分析方法估测准确度较低。此外,利用人工神经网络来进行抗压强度估测取得了较好的效果,但是模型还是存在一定的缺陷,对于模型进行改进,提高估测精度是研究的重点。对先前的研究方法进行改进,利用水泥水化期间的微观结构图像实现水泥抗压强度的无损估测,不仅从图像中提取特征节省了一定的测量时间,并且可以得到实时水泥强度。此外,由于大量样本的训练耗时长,因此通过GPU加速减少训练时间,从而对水泥强度进行快速精确的估测。另外,混凝土生产厂家对不同物料配比的混凝土进行28天抗压强度估测,是一个非常耗时耗材的工作,因此利用计算智能的方法通过改变不同的物料配比进而指导生产高性能的混凝土有重要意义。本文主要从以下几方面进行水泥基材料的抗压强度估测研究:(1)基于水泥二维微观结构图像的抗压强度估测本文提出了基于水泥二维微观图像的抗压强度估测算法。水泥微观结构图像是利用微断层扫描仪根据不同物质的线性衰减系数得到的,因而不同的灰度值代表不同的物相,同时还可以描述物相的空间结构信息。一方面通过水泥微观结构图像的灰度直方图与灰度共生矩阵提取描述水泥水化过程的物相特征,然后利用神经网络估测水泥抗压强度;另一方面直接通过水泥微观结构图像和卷积神经网络估测抗压强度,不进行特征提取环节。通过对比实验,证明了本方法具有良好的估测效果。(2)GPU环境下基于水泥三维微观结构图像特征的抗压强度估测本文提出了基于水泥三维微观结构图像特征的抗压强度估测算法。首先利用灰度直方图与灰度共生矩阵对得到的水泥三维微观结构图像进行水泥水化物相特征提取,然后通过深度信念网络对水泥抗压强度进行估测,并利用GPU加速实现算法的并行化。通过对比试验,本方法得到了较低的估测误差,并且GPU加速达到了10倍左右的效果。(3)混凝土28天抗压强度估测本研究所用实验数据为混凝土物料配比参数,并且与其强度有密切关系,通过堆叠自编码器进行混凝土28天的强度估测。并通过与其他方法进行比较,证明了该方法实现了较低的估测误差,并且节省了大量的实验时间。
【学位单位】：济南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;TQ172.1
【部分图文】：

HOM=∑ ∑P(i,j)1+|i-j|L-1j=0L-1i=0cculloch 和 Pitts[40]提出了第一个人工神经元模能通过模拟人脑神经元来实现，通过对人脑神与学习能力。人工神经网络是人工智能领域的人脑的结构和思维方式。它按层划分结构，每些神经元实现对数据的映射处理，从而实现对特具体的问题决定，并且前后层次之间的神经元NN 作为一种非线性统计数据模型，它经常被连接和激活函数实现非线性映射。ANN 具有特性[42]，它能够通过学习，建立一系列输入和相

维图像中统计灰度直方图与灰度共生矩阵，并对其进行特征提化深度信念网络结构，迭代次数等参数，将特征值与强度值进理训练的方式。将提取的特征值作为深度信念网络的输入变量 RBM 模型训练，并调整参数；误差反向传播算法来微调整个模型的权值；测试集进行模型评价。计与结果分析中，总共选取了三种水泥样本，标记为 A、B 和 C，三种样本。与前一章相同，选择水泥水化过程在第 2、3、4、5、6、7、icro-CT 图像。三维 Micro-CT 图像的大小为 70 70*70，每种本数据，总共有 270000 个样本。图 3.5 显示了每种样本在第。
【参考文献】

相关期刊论文 前4条

1 齐鲁;杨波;王琳;;利用粒子群算法实现水泥μCT图像灰度校准[J];山东大学学报(理学版);2010年11期

2 唐辉红;应用三元线性回归分析方法预报水泥28d强度[J];水泥;1998年02期

3 赵金厚，朱尚凑;模糊聚类分析技术在水泥强度预测中的应用[J];水泥;1996年12期

4 刘昭材;;用一元回归分析预测水泥强度[J];水泥;1982年03期

相关博士学位论文 前1条

1 王琳;基于计算智能的水泥水化过程建模方法与关键技术研究[D];山东大学;2011年

相关硕士学位论文 前2条

1 王裕民;多GPU环境下的卷积神经网络并行算法[D];中国科学技术大学;2016年

2 胡一帆;基于GPU加速的并行人工鱼群算法及其应用[D];浙江大学;2011年

本文编号：2874521