基于深度学习的混凝土孔结构快速测定方法的研究与应用
发布时间：2022-01-13 18:05
混凝土材料是具有复杂结构的多相、非均质和多层次的复合材料体系,其宏观性能所表现出的不规则性、不确定性和非线性等特征,正是其微观结构复杂性的反映。混凝土材料应从微观、细观和宏观3个层次进行研究,并应向微观研究深入。而孔结构作为混凝土材料微观和细观层次的重要组成部分,对混凝土宏观性能有重要影响。近年来,越来越多的学者对混凝土孔结构进行了研究。图像分析法是一种基于混凝土孔结构图像研究混凝土孔结构参数的方法,然而已有的图像分析法它具有准确度难以保证、操作过程复杂、依赖专业人员和效率较低等特点。为了解决图像分析法的问题,本文首次将深度学习技术应用到混凝土孔结构分析中,提高了分析准确率和效率,简化了分析过程。本文制作了包含8000张砂浆和混凝土孔结构图像的数据集,通过深度学习算法对数据集的训练建立了能够准确高效识别孔径大于10μm的混凝土孔结构的深度学习模型。通过统计学理论确定了深度学习图像分析的最小样本,40mm×40mm的砂浆截面为80张,100mm×100mm的混凝土截面为150张。结合专业图像软件,对混凝土孔结构参数进行了定量分析,建立了基于深度学习的混凝土孔结构快速测定方法,并通过分析孔...
【文章来源】：华东交通大学江西省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
平板扫描仪方法（左）和RapidAir457（右）方法的搭接部分的黑白对比度增强Fig.1-1Blackandwhitecontrastenhancementofthelapportionoftheflatbedscannermethod(left)andtheRapidAir457(right)method
6图 1-2 基于密歇根理工大学研究的 RapidAir457-2 RapidAir457 based on research by Michigan Institute of Technolo分辨率工业 CTX 射线扫描仪测量三维孔隙参数时，使用混凝土样本。该技术通过样品产生横截面或切片（层析图像，一个堆叠在另一个之上以创建样品三维表示的数
该错误率比使用传统算法的第 2 名的参数队低了大约 10%。如图1-3 所示，AlexNet 是一个 8 层的卷积神经网络，前 5 层是卷积层，后 3 层为全连接层，其中最后一层采用 softmax 进行分类。该模型采用 ReLU 来取代传统的 Sigmoid 和 tanh函数作为神经元的非线性激活函数，并提出了 Dropout 方法来减轻过拟合问题。有学者[48]研究了在大规模图像识别任务中卷积神经网络的深度对准确率的影响。我们主要的贡献是利用带有很小卷积核（3*3）的网络结构对逐渐加深的网络进行评估，结果表明通过加深网络深度至 16-19 层可以极大地改进前人的网络结构。图 1-3 简化的 AlexNet 模型结构Fig.1-3 Simplified AlexNet model structureILSVRC2014 的图像分类比赛中Google 团队所提出的GoogleNet[49]将错误率降低到了 6.7%。该卷积神经网络有 22 层，对卷积神经网络模型进行了多尺度的优化。该文提出了 Inception 模块。Inception 模块的结构如图 1-4 所示
【参考文献】：
期刊论文
[1]基于深度学习的盾构隧道渗漏水病害图像识别[J]. 黄宏伟,李庆桐. 岩石力学与工程学报. 2017(12)
[2]背散射电子图像分析法在水泥基材料孔结构研究中的应用[J]. 胡曙光,袁盼,王发洲,聂帅,刘云鹏,朱瑶宏,叶俊能. 建筑材料学报. 2017(02)
[3]MATLAB孔隙特征对铁尾矿加气混凝土性能的影响[J]. 董越,杨志强,高谦,丁向群. 建筑材料学报. 2017(01)
[4]泡沫混凝土孔结构的表征及其对性能的影响[J]. 庞超明,王少华. 建筑材料学报. 2017(01)
[5]图像分析宏观孔孔隙率对混凝土抗压强度的影响[J]. 朱洪波,闫美珠,李晨,成轶杰,吴凯凡. 建筑材料学报. 2015(02)
[6]Image-Pro Plus混凝土孔结构图像分析方法[J]. 张雄,黄廷皓,张永娟,高辉,姜曼. 建筑材料学报. 2015(01)
[7]水蒸气等温吸附表征水泥基材料孔隙结构[J]. 罗明勇,曾强,庞晓贇,李克非. 硅酸盐学报. 2013(10)
[8]基于氮吸附的水泥-沥青复合硬化体孔结构分析[J]. 郑克仁,蔡峰良,周锡玲. 武汉理工大学学报. 2013(02)
[9]用于背散射电子图像分析的水泥浆体抛光样品制备[J]. 王培铭,丰曙霞,刘贤萍. 硅酸盐学报. 2013(02)
[10]背散射电子图像分析在水泥基材料微观结构研究中的应用[J]. 王培铭,丰曙霞,刘贤萍. 硅酸盐学报. 2011(10)
硕士论文
[1]混凝土孔隙分形特征表征氯离子渗透性能研究[D]. 张建波.中国建筑材料科学研究总院 2010
[2]混凝土孔结构的分形特征研究[D]. 尹红宇.广西大学 2006
[3]混凝土孔结构与强度关系理论研究[D]. 郭剑飞.浙江大学 2004
本文编号：3586897
【文章来源】：华东交通大学江西省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
平板扫描仪方法（左）和RapidAir457（右）方法的搭接部分的黑白对比度增强Fig.1-1Blackandwhitecontrastenhancementofthelapportionoftheflatbedscannermethod(left)andtheRapidAir457(right)method
6图 1-2 基于密歇根理工大学研究的 RapidAir457-2 RapidAir457 based on research by Michigan Institute of Technolo分辨率工业 CTX 射线扫描仪测量三维孔隙参数时，使用混凝土样本。该技术通过样品产生横截面或切片（层析图像，一个堆叠在另一个之上以创建样品三维表示的数
该错误率比使用传统算法的第 2 名的参数队低了大约 10%。如图1-3 所示，AlexNet 是一个 8 层的卷积神经网络，前 5 层是卷积层，后 3 层为全连接层，其中最后一层采用 softmax 进行分类。该模型采用 ReLU 来取代传统的 Sigmoid 和 tanh函数作为神经元的非线性激活函数，并提出了 Dropout 方法来减轻过拟合问题。有学者[48]研究了在大规模图像识别任务中卷积神经网络的深度对准确率的影响。我们主要的贡献是利用带有很小卷积核（3*3）的网络结构对逐渐加深的网络进行评估，结果表明通过加深网络深度至 16-19 层可以极大地改进前人的网络结构。图 1-3 简化的 AlexNet 模型结构Fig.1-3 Simplified AlexNet model structureILSVRC2014 的图像分类比赛中Google 团队所提出的GoogleNet[49]将错误率降低到了 6.7%。该卷积神经网络有 22 层，对卷积神经网络模型进行了多尺度的优化。该文提出了 Inception 模块。Inception 模块的结构如图 1-4 所示
【参考文献】：
期刊论文
[1]基于深度学习的盾构隧道渗漏水病害图像识别[J]. 黄宏伟,李庆桐. 岩石力学与工程学报. 2017(12)
[2]背散射电子图像分析法在水泥基材料孔结构研究中的应用[J]. 胡曙光,袁盼,王发洲,聂帅,刘云鹏,朱瑶宏,叶俊能. 建筑材料学报. 2017(02)
[3]MATLAB孔隙特征对铁尾矿加气混凝土性能的影响[J]. 董越,杨志强,高谦,丁向群. 建筑材料学报. 2017(01)
[4]泡沫混凝土孔结构的表征及其对性能的影响[J]. 庞超明,王少华. 建筑材料学报. 2017(01)
[5]图像分析宏观孔孔隙率对混凝土抗压强度的影响[J]. 朱洪波,闫美珠,李晨,成轶杰,吴凯凡. 建筑材料学报. 2015(02)
[6]Image-Pro Plus混凝土孔结构图像分析方法[J]. 张雄,黄廷皓,张永娟,高辉,姜曼. 建筑材料学报. 2015(01)
[7]水蒸气等温吸附表征水泥基材料孔隙结构[J]. 罗明勇,曾强,庞晓贇,李克非. 硅酸盐学报. 2013(10)
[8]基于氮吸附的水泥-沥青复合硬化体孔结构分析[J]. 郑克仁,蔡峰良,周锡玲. 武汉理工大学学报. 2013(02)
[9]用于背散射电子图像分析的水泥浆体抛光样品制备[J]. 王培铭,丰曙霞,刘贤萍. 硅酸盐学报. 2013(02)
[10]背散射电子图像分析在水泥基材料微观结构研究中的应用[J]. 王培铭,丰曙霞,刘贤萍. 硅酸盐学报. 2011(10)
硕士论文
[1]混凝土孔隙分形特征表征氯离子渗透性能研究[D]. 张建波.中国建筑材料科学研究总院 2010
[2]混凝土孔结构的分形特征研究[D]. 尹红宇.广西大学 2006
[3]混凝土孔结构与强度关系理论研究[D]. 郭剑飞.浙江大学 2004
本文编号：3586897
本文链接：https://www.wllwen.com/kejilunwen/huaxuehuagong/3586897.html
