XiaoMi-AI文件搜索系统
World File Search System对比分析
基于人工智能的混凝土性能预测进展
收到日期 2021年7月24日，接受日期 2021年8月12日 doi:10.3151/jact.19.924 摘要 人工智能技术具有超高维非线性计算能力、智能综合分析判断功能和自学习知识储备表达功能，与经典统计方法生成的经验公式相比，可以释放有形构件与性能指标之间高维非线性关系的潜力。本文总结了用于预测混凝土性能的人工智能算法类型，全面梳理了人工智能技术在预测混凝土力学性能、工作性能和耐久性方面的研究进展，对比分析了算法选择、样本数据和模型构建对混凝土抗压预测系统的影响。分析表明，人工智能技术在预测混凝土性能的测量精度上比常规统计方法具有明显优势，应采用多种算法对模型预测结果进行交叉验证。对于微小数据集，采用支持向量机；对于需要特征优化或离散指数预测的算法模型，应采用决策树进化技术；对于不同的挑战，可采用人工神经网络；为了改进预测模型，提高预测精度，提出了优化特征、集成算法、超参数优化、扩大样本数据集、丰富数据源、数据预处理等措施。
![arxiv：2308.08333v4 [CS.CV] 23 Jul 2024](/simg/g:\will\search\icon\source\a\a3f7b583186411dd2ab2cca4ba5ff02b1fa3a395.webp)
arxiv：2308.08333v4 [CS.CV] 23 Jul 2024
单眼深度估计是计算机视觉中的持续挑战。变压器模型的最新进展与该领域的常规CNN相比表现出显着的优势。但是，这些模型如何优先考虑2D图像中的不同区域以及这些区域如何影响深度估计性能，仍然存在差距。探索转移器和CNN之间的差异，我们采用了稀疏的像素方法来对比分析两者之间的区别。我们的发现表明，尽管变形金刚在全球环境和错综复杂的纹理中表现出色，但它们却落后于保留深度梯度连续性。在单眼深度估计中增强了变压器模型的性能，我们提出了深度差异（DGR）模块，该模块通过高阶分化，特征融合和重新校准来完善深度估计。此外，我们利用最佳运输理论，将深度图视为空间概率分布，并采用最佳运输距离作为损失函数来优化我们的模型。实验结果表明，与插入深度梯度改进（DGR）模块集成的模型以及置换损失函数可增强性能，而无需增加室外Kitti和Indoor Nyu-Depth-v2数据集的复杂性和计算成本。这项研究不仅提供了深入估计变压器和CNN之间区别的新见解，而且还为新颖的深度估计方法铺平了道路。
对CNN
单眼深度估计是计算机视觉中的持续挑战。变压器模型的最新进展证明了与该领域的召开CNN相比，具有显着的优势。但是，了解这些模型如何优先考虑2D图像中不同区域的优先级以及这些区域如何影响深度估计性能。探索变压器和CNN之间的差异，我们采用了稀疏的像素方法对比分析两者之间的区别。我们的发现表明，尽管变形金刚在处理全球环境和错综复杂的特征方面表现出色，但它们在保留深度梯度连续性方面落后于CNN。为了进一步增强在单眼深度估计中的变压器模型的性能，我们提出了深度梯度改进（DGR）模块，该模块通过高阶分化，特征融合和重新校准来完善深度估计。此外，我们利用最佳运输理论，将深度图视为空间概率分布，并采用最佳传输距离作为损失函数来优化我们的模型。实验结果表明，与插件深度梯度改进（DGR）模块集成的模型以及所提出的损失函数可增强性能，而无需增加室外Kitti和室内NYU-DEPTH-V2数据集的复杂性和计算成本。这项研究不仅提供了深入估计转换器和CNN之间区别的新见解，而且还为新颖的深度估计方法铺平了道路。
多时间尺度可用灵活性评估...
综合能源系统可用灵活性容量可作为系统风电装机占比的指标之一，进而影响系统风电最大装机容量，本文提出一种考虑不同系统风电装机占比的综合能源系统多时间尺度下可用灵活性评估方法。首先，构建综合能源系统框架，基于电、热系统耦合关系，建立综合能源系统内发电、热电联产、储能设备、风力发电设备的数学模型，采用蒙特卡洛方法对典型场景下的风电出力进行预测。其次，构建综合能源系统优化模型，得到系统最优调度运行；采用经验模态分解（EMD）算法对系统灵活性需求曲线进行多时间尺度分解。建立了不同时间尺度下系统中不同类型灵活性资源的灵活性供给能力模型，并通过对同一时间尺度下灵活性供给与需求的对比分析，直观地计算出各时间尺度上行和下行灵活性短缺概率及短缺预期指标，并对其进行加权，构成系统灵活性评估的综合指标。最后，对不同风电装机容量下的综合能源系统可用灵活性分析表明，所提方法可以较为全面地评估不同时间尺度下综合能源系统的可用灵活性能力，在保证足够的可用灵活性能力的情况下，得到系统所能承受的最大风电装机容量。
城市地下综合体应急疏散研究
随着城市化进程的不断推进和城市地下空间的开发利用，地下城市综合体得到越来越广泛的应用，给人们的生活带来了极大的便利，但由于其封闭性和复杂性，如何在突发事件中避免（或减少）人员伤亡并实现人员快速安全疏散成为亟待解决的问题。本研究利用疏散仿真软件Pathfinder，基于引导模型对比分析了不同模拟疏散措施下总疏散时间、主要出口人流量的变化、关键节点拥堵情况以及人员路径选择等因素，并聚焦和确定了地下城市综合体空间布局中易出现疏散瓶颈效应的关键位置，研究了突发事件下地下城市综合体的疏散有效性，以探讨地下城市综合体的应急疏散问题。研究发现，城市综合楼楼梯出入口、超市收银台等处易出现瓶颈效应，造成严重拥堵，应作为应急疏散时重点关注的位置。对于易出现疏散瓶颈的重点位置，增加出口宽度或设置辅助疏散通道是提高疏散效率的有效措施，此外，制定合理的疏散规则也是有利于应急疏散的措施。然而，在疏散过程中，人群的从众心理对疏散效果具有不确定的（正向或负向）影响，设置导流墙在一定程度上可以提高疏散效率、减少拥堵，但导流后容易出现疏散混乱和无序现象。本研究结果对完善城市综合楼应急管理具有重要意义。
基于灰狼优化的隧道工程围岩挤压分类改进概率神经网络算法
围岩挤压变形是隧道工程中常见且突出的病害，常在TBM掘进过程中诱发盾构卡洞灾害。本文基于139组历史挤压变形案例，建立了混合PCA-IWGO-PNN挤压分类模型。根据挤压变形的影响因素及特点，选取强度应力比、隧道埋深、隧道等效直径、岩体质量指数、支护刚度等建立挤压程度预测指标体系。由于概率神经网络（PNN）要求输入变量独立，因此采用主成分分析（PCA）对原始数据进行预处理，消除预测指标间的相关性并实现降维。扩展系数是PNN中关键的超参数，采用改进的灰狼优化（IGWO）算法实现其高效的自动寻优。然后，将PNN模型应用于工程实际，20个试验样本中仅有1个误判，预测精度达到95%。最后，与人工神经网络（ANN）模型、支持向量机（SVM）模型、随机森林（RF）模型进行对比分析，其中PNN模型的预测精度最高，其次是人工神经网络（85%）、RF（85%）、SVM（80%）。此外，PNN模型的运行速度最快，仅耗时5.6350 s，而ANN、SVM、RF的运行时间分别为8.8340、6.2290、6.9260 s。本研究提出的混合PCA-IWGO-PNN模型为围岩挤压分类提供了一种有效的方法，在预测精度和运行速度方面均具有优势。