水泥、混凝土等水泥基材料廣泛應(yīng)用于工業(yè)、交通、城市建設(shè)等領(lǐng)域,其質(zhì)量是影響安全的重要因素。強(qiáng)度是衡量水泥基材料質(zhì)量的重要指標(biāo),其中最重要的是抗壓強(qiáng)度,因此對(duì)于水泥基材料抗壓強(qiáng)度的研究在其質(zhì)量檢測(cè)、設(shè)計(jì)及工程應(yīng)用中發(fā)揮了積極作用。通常水泥基材料的強(qiáng)度測(cè)量是通過(guò)物理實(shí)驗(yàn)的方法,耗費(fèi)大量的人力物力,并且這種方法具有破壞性。近年來(lái),隨著計(jì)算智能的不斷發(fā)展,人們打破了傳統(tǒng)的物理實(shí)驗(yàn)的方法,借助計(jì)算機(jī)對(duì)水泥水化過(guò)程進(jìn)行模擬仿真,并且對(duì)水泥強(qiáng)度進(jìn)行研究。由于水泥強(qiáng)度研究具有多變量、非線性的特點(diǎn),因此,線性回歸與聚類分析方法估測(cè)準(zhǔn)確度較低。此外,利用人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行抗壓強(qiáng)度估測(cè)取得了較好的效果,但是模型還是存在一定的缺陷,對(duì)于模型進(jìn)行改進(jìn),提高估測(cè)精度是研究的重點(diǎn)。對(duì)先前的研究方法進(jìn)行改進(jìn),利用水泥水化期間的微觀結(jié)構(gòu)圖像實(shí)現(xiàn)水泥抗壓強(qiáng)度的無(wú)損估測(cè),不僅從圖像中提取特征節(jié)省了一定的測(cè)量時(shí)間,并且可以得到實(shí)時(shí)水泥強(qiáng)度。此外,由于大量樣本的訓(xùn)練耗時(shí)長(zhǎng),因此通過(guò)GPU加速減少訓(xùn)練時(shí)間,從而對(duì)水泥強(qiáng)度進(jìn)行快速精確的估測(cè)。另外,混凝土生產(chǎn)廠家對(duì)不同物料配比的混凝土進(jìn)行28天抗壓強(qiáng)度估測(cè),是一個(gè)非常耗時(shí)耗材的工作,因此利用計(jì)算智能的方法通過(guò)改變不同的物料配比進(jìn)而指導(dǎo)生產(chǎn)高性能的混凝土有重要意義。本文主要從以下幾方面進(jìn)行水泥基材料的抗壓強(qiáng)度估測(cè)研究:(1)基于水泥二維微觀結(jié)構(gòu)圖像的抗壓強(qiáng)度估測(cè)本文提出了基于水泥二維微觀圖像的抗壓強(qiáng)度估測(cè)算法。水泥微觀結(jié)構(gòu)圖像是利用微斷層掃描儀根據(jù)不同物質(zhì)的線性衰減系數(shù)得到的,因而不同的灰度值代表不同的物相,同時(shí)還可以描述物相的空間結(jié)構(gòu)信息。一方面通過(guò)水泥微觀結(jié)構(gòu)圖像的灰度直方圖與灰度共生矩陣提取描述水泥水化過(guò)程的物相特征,然后利用神經(jīng)網(wǎng)絡(luò)估測(cè)水泥抗壓強(qiáng)度;另一方面直接通過(guò)水泥微觀結(jié)構(gòu)圖像和卷積神經(jīng)網(wǎng)絡(luò)估測(cè)抗壓強(qiáng)度,不進(jìn)行特征提取環(huán)節(jié)。通過(guò)對(duì)比實(shí)驗(yàn),證明了本方法具有良好的估測(cè)效果。(2)GPU環(huán)境下基于水泥三維微觀結(jié)構(gòu)圖像特征的抗壓強(qiáng)度估測(cè)本文提出了基于水泥三維微觀結(jié)構(gòu)圖像特征的抗壓強(qiáng)度估測(cè)算法。首先利用灰度直方圖與灰度共生矩陣對(duì)得到的水泥三維微觀結(jié)構(gòu)圖像進(jìn)行水泥水化物相特征提取,然后通過(guò)深度信念網(wǎng)絡(luò)對(duì)水泥抗壓強(qiáng)度進(jìn)行估測(cè),并利用GPU加速實(shí)現(xiàn)算法的并行化。通過(guò)對(duì)比試驗(yàn),本方法得到了較低的估測(cè)誤差,并且GPU加速達(dá)到了10倍左右的效果。(3)混凝土28天抗壓強(qiáng)度估測(cè)本研究所用實(shí)驗(yàn)數(shù)據(jù)為混凝土物料配比參數(shù),并且與其強(qiáng)度有密切關(guān)系,通過(guò)堆疊自編碼器進(jìn)行混凝土28天的強(qiáng)度估測(cè)。并通過(guò)與其他方法進(jìn)行比較,證明了該方法實(shí)現(xiàn)了較低的估測(cè)誤差,并且節(jié)省了大量的實(shí)驗(yàn)時(shí)間。
【學(xué)位單位】：濟(jì)南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;TQ172.1
【部分圖文】：

HOM=∑ ∑P(i,j)1+|i-j|L-1j=0L-1i=0cculloch 和 Pitts[40]提出了第一個(gè)人工神經(jīng)元模能通過(guò)模擬人腦神經(jīng)元來(lái)實(shí)現(xiàn)，通過(guò)對(duì)人腦神與學(xué)習(xí)能力。人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域的人腦的結(jié)構(gòu)和思維方式。它按層劃分結(jié)構(gòu)，每些神經(jīng)元實(shí)現(xiàn)對(duì)數(shù)據(jù)的映射處理，從而實(shí)現(xiàn)對(duì)特具體的問題決定，并且前后層次之間的神經(jīng)元NN 作為一種非線性統(tǒng)計(jì)數(shù)據(jù)模型，它經(jīng)常被連接和激活函數(shù)實(shí)現(xiàn)非線性映射。ANN 具有特性[42]，它能夠通過(guò)學(xué)習(xí)，建立一系列輸入和相

維圖像中統(tǒng)計(jì)灰度直方圖與灰度共生矩陣，并對(duì)其進(jìn)行特征提化深度信念網(wǎng)絡(luò)結(jié)構(gòu)，迭代次數(shù)等參數(shù)，將特征值與強(qiáng)度值進(jìn)理訓(xùn)練的方式。將提取的特征值作為深度信念網(wǎng)絡(luò)的輸入變量 RBM 模型訓(xùn)練，并調(diào)整參數(shù)；誤差反向傳播算法來(lái)微調(diào)整個(gè)模型的權(quán)值；測(cè)試集進(jìn)行模型評(píng)價(jià)。計(jì)與結(jié)果分析中，總共選取了三種水泥樣本，標(biāo)記為 A、B 和 C，三種樣本。與前一章相同，選擇水泥水化過(guò)程在第 2、3、4、5、6、7、icro-CT 圖像。三維 Micro-CT 圖像的大小為 70 70*70，每種本數(shù)據(jù)，總共有 270000 個(gè)樣本。圖 3.5 顯示了每種樣本在第。
【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 齊魯;楊波;王琳;;利用粒子群算法實(shí)現(xiàn)水泥μCT圖像灰度校準(zhǔn)[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2010年11期

2 唐輝紅;應(yīng)用三元線性回歸分析方法預(yù)報(bào)水泥28d強(qiáng)度[J];水泥;1998年02期

3 趙金厚，朱尚湊;模糊聚類分析技術(shù)在水泥強(qiáng)度預(yù)測(cè)中的應(yīng)用[J];水泥;1996年12期

4 劉昭材;;用一元回歸分析預(yù)測(cè)水泥強(qiáng)度[J];水泥;1982年03期

相關(guān)博士學(xué)位論文 前1條

1 王琳;基于計(jì)算智能的水泥水化過(guò)程建模方法與關(guān)鍵技術(shù)研究[D];山東大學(xué);2011年

相關(guān)碩士學(xué)位論文 前2條

1 王裕民;多GPU環(huán)境下的卷積神經(jīng)網(wǎng)絡(luò)并行算法[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

2 胡一帆;基于GPU加速的并行人工魚群算法及其應(yīng)用[D];浙江大學(xué);2011年

本文編號(hào)：2874521