一、两种神经网络在混凝土强度预测应用中的探讨（论文文献综述）
陈旻蔚[1]（2021）在《基于CGA-LSO-BP神经网络的固废基胶凝材料混凝土强度预测研究》文中提出我国工业的迅猛发展在带来经济效益的同时,也造成了工业固体废弃物排放的污染问题。利用工业固体废弃物为原料配制而成的胶凝材料来制备固废基胶凝材料混凝土能够缓解环境和资源问题,利于我国工业体系的可持续发展。考虑到抗压强度是检验混凝土的一项重要指标,而新型固废基胶凝材料在制备混凝土时的水化反应不甚清楚,其强度受各因素制约。本文摒弃传统的混凝土抗压强度预测方式,改用的优化的BP神经网络对其进行预测。通过影响因素分析试验,探究固废基胶凝材料取代率、水胶比、砂率及粉煤灰掺量对固废基胶凝材料混凝土各龄期强度的影响。选取各材料:水泥、粉煤灰、固废基胶凝材料、拌合水、骨料、减水剂的用量作为预测模型的输入变量。利用固废基胶凝材料部分替代水泥制备混凝土并开展抗压强度试验,形成预测模型的学习样本。样本总数为240条,其中192条用于训练模型,48条用于测试模型。为提高新型固废基胶凝材料混凝土的强度预测精度,本文提出一种混合算法——混沌遗传--狮群算法。为达到提高神经网络的预测精度和泛化能力的目的,利用混沌映射增强遗传算法对解空间搜索的遍历性,并用狮群算法在混沌遗传算法寻优基础上进一步精细搜索初始权重及阈值,避免算法陷于局部最优点。随后,将该混合算法优化的神经网络模型投入到固废基胶凝材料混凝土强度的预测任务中,提高其对固废基胶凝材料混凝土抗压强度的预测精度。改进的预测模型与传统的BP神经网络模型的预测结果显示,改进后模型的预测数据与真实数据更吻合,预测性能更佳。这为固废基胶凝材料混凝土抗压强度的预测提供新思路,为实际生产提供理论指导,减少生产固废基胶凝材料混凝土的前期试配以及后期试验所耗费的人力财力,减少不可重复性试验所带来的资源耗费。
刘璐瑶[2]（2021）在《基于BP神经网络建立混凝土破坏准则的研究》文中认为混凝土材料的力学性能研究对建筑结构安全有重要意义。原材料以及生产工艺都对混凝土的力学性能产生复杂的影响,传统研究方法是简化影响因素,建立数学模型,通过复杂的推导和计算得出理论公式或经验公式,为工程应用提供指导和参考。神经网络是一种对人脑神经抽象仿生的算法,擅长拟合复杂的非线性映射,但缺乏可解释性,在实际应用中主要以加大训练样本以及调参、对比,评估其精度。将力学分析与神经网络相结合,既避免了建立数理模型时,复杂的解析解推导和运算过程,也在一定程度上弥补了神经网络不可解释性的弱点。目前,已有许多应用神经网络研究混凝土力学性能的成功案例,证明了这种方法的研究前景,也形成了固定的应用模式。本文以神经网络算法的底层逻辑为出发点,结合力学分析与已有的实验数据,将神经网络运用于混凝土力学性能的研究中,为混凝土力学性能研究方法提供了新的思考方向。本文的主要研究内容如下:（1）对目前已有的神经网络与混凝土力学性能研究相结合的成果进行了总结,归纳了BP神经网络,卷积神经网络、支持向量机、径向基函数网络的结构及算法原理,并总结了这些神经网络在混凝土的强度、断裂性能、裂缝识别和耐久性几个方面的应用方法。（2）提出了一种应用批量梯度下降法,拟合得出混凝土多轴应力状态下破坏准则的参数的方法。由于简化的破坏准则的数学方程式模型本身存在系统误差,通过这种方法可以在数学模型函数构造的限制下,最大限度地获取误差最小的破坏曲面。（3）基于对混凝土破坏机理的分析,建立了两种BP神经网络的破坏准则模型。这两种破坏准则模型是基于混凝土的破坏机理假设提出的,一种是基于剪切应力破坏假设建立的破坏准则模型,另一种是破坏形态假设建立的破坏准则模型。这两种BP神经网络破坏准则与经典的Ottosen破坏准则近似重合,证明了BP神经网络的破坏准则模型的精度和这种建模方法的有效性。
李思源[3]（2021）在《基于BP神经网络的重力坝深层抗滑稳定分析》文中指出深层抗滑稳定分析是重力坝抗震计算中的一项重要内容,采用有限元方法进行深层抗滑稳定计算需要在计算模型中预先设置滑动面,当重力坝坝基深层存在多个缓倾角和软弱结构面时,不仅整个有限元模型建模和网格剖分将面对较大的困难,而且会面临局部单元质量降低的问题。本文提出了一种基于BP神经网络的重力坝深层抗滑稳定有限元分析方法。该方法无需在有限元计算模型中设置滑动面,结合BP神经网络算法根据坝基深层空间应力关系拟合滑动面应力,避免了复杂滑块的建模和网格剖分,具有良好的准确性和易用性;同时,本文比较了不同粘弹性人工边界条件对重力坝深层抗滑稳定计算结果的影响。本文主要研究内容如下:（1）根据BP神经网络基本理论推导了多层前馈和误差反向传播过程的计算公式,编制了BP神经网络拟合滑动面应力和预测抗滑稳定安全系数程序。程序根据无滑块有限元模型的坝基深层空间应力场,结合BP神经网络算法逼近坐标与应力的函数关系,即可拟合出滑动面任意位置处的应力值,从而预测滑动面的抗滑稳定安全系数。（2）分别建立了二维、三维重力坝无滑块和有滑块的有限元模型,在静力工况下应用BP神经网络方法预测无滑块模型的抗滑稳定安全系数,与传统预设滑动面模型的计算结果进行对比,验证了BP神经网络方法在静力工况下的预测精度。分析了BP神经网络程序中神经元个数和样本数据的质量对BP神经网络预测性能的影响,提出以神经网络性能参数衡量神经网络程序预测准确度,并验证了这一方法的可行性。（3）总结了粘弹性人工边界及等效荷载的常用公式,编制了二维和三维的粘弹性边界和地震动输入程序,比较了不同粘弹性人工边界条件在自由场算例和重力坝抗滑稳定分析问题中的影响。（4）应用BP神经网络方法在动力工况下进行了抗滑稳定计算,为了降低BP神经网络结果的随机性,对每个时刻的抗滑系数预测采取多次预测取均值作为该时刻的预测值,并对比了每个时刻的重复次数对预测结果稳定性和准确性的影响。
陈冬冬[4]（2021）在《基于计算优化法的磷酸镁材料的设计和应用研究》文中进行了进一步梳理磷酸镁水泥（Magnesium phosphate cement,MPC）是一种磷酸盐与重烧氧化镁通过酸碱反应形成化学粘结的新型胶凝材料,具有快硬早强、粘结性能好、体积稳定性好、耐久性优异等性能特点,在高速公路、机场跑道的快速修复、军事工程的抢修抢建、核废料的固化、3D打印等领域有着广阔的应用前景。然而,由于MPC材料水化历程复杂,影响因素众多,现有研究尚未提出统一、准确的配合比设计准则。在已有文献中,多集中于少数影响因素的作用以及单一性能提升的研究,缺乏多个影响因素相互作用下的机理研究和多性能的共同提升,这从根本上限制了MPC材料综合性能的提升。此外,复杂的修补工程对MPC材料提出了更高的要求。为解决上述问题,本文引入计算优化法,在工作性能和力学性能共同提升的目标下,科学准确地建立了响应面数学预测模型,探明了镁磷比（M/P）、水胶比（w/b）、硼镁比（B/M）等关键因素对早期性能的影响机制,高效指导MPC材料的设计;同时,基于修补工程应用要求,利用上述数学模型,设计性能优异的MPC材料,并在地铁预制管片的立面修补等工程中进行了应用,为MPC材料立面修补应用提供技术指导。此外,为进一步提升MPC材料早期性能的预测精度,本文探讨了基于反向传播（Back propagation,BP）神经网络建立早期抗压强度和5因素预测模型的可行性,以期为MPC材料制备技术的智能化发展提供理论基础。具体研究内容如下:（1）基于响应面法对MPC材料进行配合比设计优化,建立了3因素（M/P、w/b、B/M）与早期性能（凝结时间和3h抗压强度）之间的数学预测模型,通过方差分析以及回归系数计算对模型进行了相关检验,结果表明,预测模型具有良好的拟合度,及较高的预测精度;同时,w/b是对凝结时间和早期抗压强度发展影响最大的变量,即w/b是影响MPC材料早期性能的最关键因素;除此之外,M/P和w/b存在相互耦合作用,M/P的最优值取决于w/b的大小,w/b越小,最优M/P越大。（2）根据立面快速修补等工程的要求,利用响应面法（Response surface method,RSM）建立的MPC早期性能预测模型,求解出适合修补的配合比,并对优化的配合比开展了综合性能研究以及微观性能表征。结果表明,优化后的配合比具有优异的力学性能、粘结性能和耐水性能,微观结构更为密实;且初步揭示了MPC材料耐水性能与其配合比密切相关。（3）将优化后的MPC材料成功应用于地铁预制管片的立面修补工程,并提出相对应的现场修补施工措施。修补效果表明,优化后的MPC材料有着更好的粘结效果,以及规范的施工流程可以更迅速完成修补且修补的质量十分优异。（4）为了进一步探究影响因素更多,预测精度更高,更智能的优化模型,本研究基于BP神经网络建立了早期抗压强度与5因素之间的非线性预测模型,模型回归分析结果表明,BP神经网络能够快速建立隐式预测模型,且在测试集上具有较好的预测效果,即模型具有良好的泛化能力,从而显示了人工神经网络在MPC材料多因素的配合比设计中的可行性。
徐德儒[5]（2021）在《工业废弃硅粉-粉煤灰模袋混凝土力学性能及抗冻性试验研究》文中研究表明内蒙古河套灌区混凝土衬砌因迭次的冻融作用导致表面剥蚀、开裂等现象严重,直接影响水工混凝土建筑物正常使用。为优化模袋混凝土材料的力学性能和耐久性能,合理利用当地工业废弃物-硅粉和粉煤灰替代部分水泥制备混凝土。通过抗压强度试验、冻融循环试验、核磁共振试验、固体紫外试验以及热重试验研究工业废弃硅粉-粉煤灰替代部分水泥后对其力学性能、抗冻耐久性能、孔隙结构和内部物质组成的影响。基于此,本文结合配合比指标和孔隙结构参数建立神经网络模型预测模袋混凝土的力学性能和抗冻耐久性能,为改善模袋混凝土的力学性能和抗冻耐久性能,优化配合比设计提供理论指导。主要研究成果如下:（1）工业废弃物-硅粉和粉煤灰能够提高水工混凝土的抗压强度和抗冻耐久性能。合理双掺硅粉-粉煤灰混凝土的抗压强度显着高于单掺粉煤灰和单掺硅粉组别,且FA15S4（粉煤灰15%、硅粉4%）组力学性能最优。不同介质冻融循环试验表明抗冻性最优组为FA15S4,但经历黄河水冻融循环作用的混凝土冻胀破坏较严重。（2）双掺工业废弃硅粉-粉煤灰能够改善模袋混凝土的孔隙结构。模袋混凝土核磁共振T2谱分布具有三峰结构,左峰信号幅值最高,工业废弃硅粉和粉煤灰的“填充效应”有利于降低模袋混凝土的孔隙率,优化孔隙结构,FA15S4孔隙面积及孔隙尺寸最小。基于孔隙结构参数的灰色关联度分析表明孔径分布对养护28d抗压强度的影响最大,孔隙度对其冻融损伤度影响最大。（3）水化进程和水化产物显着影响模袋混凝土的宏观力学性能、抗冻耐久性能指标和微观孔隙结构参数。紫外吸收光谱显示双掺工业废弃硅粉-粉煤灰组的水化速度高于其他组别,且水化产物组成更优。TG试验表明双掺工业废弃硅粉-粉煤灰试件热学性质良好,不易受热分解,FA15S4内CH含量最小,FA15S4的力学性能和抗冻耐久性将随着水化反应的进行进一步提高。（4）综合宏观力学性能、抗冻耐久性能指标和微观孔隙结构参数,引入BP神经网络和Elman神经网络理论,建立了模袋混凝土早期抗压强度预测模型和冻融损伤度预测模型,预测精度较高。
孙伟凯[6]（2021）在《基于深度学习的高分辨率图像裂缝检测研究》文中研究表明交通设施是公共基础设施的重要组成部分,道路裂缝自动检测是智能交通基础设施建设中的一个重要研究领域。为了保证基础设施的安全性和可靠性,实现对裂缝的准确定位至关重要。人工检测手段易受环境、路面阴影、强光和路面退化等因素影响判断,导致准确率相应降低,且人工检测裂缝工作繁琐,效率低,需投大量人力、物力和时间才能完成检测。为了降低工作成本,提高检测效率和质量,实现裂缝的自动检测具有极其重要的意义。本文利用深度学习框架,对针对高分辨率混凝土裂缝图像的识别进行研究。主要研究内容如下:首先系统的介绍了课题的研究目的和应用意义,总结了接触式和非接触的混凝土裂缝检测方法,针对当下发展的主流,对基于数据驱动裂缝检测方法的国内外现状进行了详细的阐述。之后介绍了卷积神经网络中基础组成结构,通过理论与数学原理的角度对基础模块的组成细节与功能特点进行了阐述。其次针对深度学习算法的训练需要,制作数据集图像并进行了数据增强与标注,用于之后网络的训练。针对裂缝检测问题确定了相应的模型评价指标,对网络采用了 Early Stop的策略进行训练,并将训练完成的网络在验证集上使用滑动窗算法进行裂缝检测实验,并采用连通域降噪法进一步优化检测结果,算法框架能够准确提取出裂缝的位置信息,经过优化后的检测结果最大程度的抑制了假阳性错误。之后从网络结构分析Yolo-v4网络和CenterNet网络两种单阶段目标检测网络应用于裂缝目标识别的优势,结合迁移学习策略,初始化两种网络的结构参数,使用单图片多目标标注策略对两种网络参数训练,通过评价指标和直观表达的方式衡量了两种单阶段网络在裂缝目标检测上的优劣。再之后结合Yolo-v4网络自身结构特征,采用实验方法分析了 Yolo-v4网络输入采样尺寸对网络检测效果的影响,通过调整网络输入尺度实现对高分辨图像裂缝位置的精确检测。最后为解决标注繁杂并提高检测的质量,设计了一种基于弱监督的高分辨率图像裂缝检测网络,网络的训练仅需要对数据集标注图像级标签,极大降低了数据集制作的成本与难度。网络考虑了图像中裂纹拓扑的局部相似性,通过使用PDC模块获取多尺度上下文信息,使得patch级检测准确率可达95%以上。网络利用全卷积结构,可以应用于任意分辨率的图像,通过一次检测有效准确地处理裂纹图像,避免了使用滑动窗所消耗的时间。后处理过程还引入了中心骨架提取算法,通过细化第一阶段检测蒙版来提供更精确的裂缝位置信息。
冯春成[7]（2021）在《基于深度学习的水电站溢流坝表观裂缝检测方法研究》文中研究说明溢流坝作为水电站泄水消能的重要基础设施,不仅保障了防洪安全,还支撑了水资源综合利用。地质灾害、结构沉降、温度变化或长期服役等因素容易诱发溢流坝表面出现裂缝损伤,若不能精准、快速地检测裂缝,可能制约溢流坝的结构修复与险情处置,造成溢流坝溃决、崩塌等严重后果,从而也影响水电站的正常运行。面对风险系数高、检测难度大的溢流坝场景中缺乏高质量的裂缝图像数据集。同时水痕、青苔及泥沙淤积等背景干扰也增加了裂缝检测的难度,常规裂缝检测方法的准确率、实时性均无法满足溢流坝表观裂缝的检测需求。随着深度学习在目标检测领域取得了突破性进展,具有高维抽象特征学习能力的深度卷积网络被广泛应用于不同场景以解决目标检测问题。针对上述难题及需求,本文以水电站溢流坝表观裂缝为研究对象,开展了基于深度学习的水电站溢流坝表观裂缝检测方法研究。具体研究工作如下:（1）针对当前溢流坝裂缝检测方法研究中缺乏裂缝数据集的问题,使用系留无人机图像采集系统在某水电站溢流坝完成图像采集。根据溢流坝表观裂缝的几何特征分析,采用直方图均衡化、双边滤波等预处理提升裂缝图像的质量,通过翻转、裁剪扩充了图像数量。创建了高质量的裂缝数据集,为后续研究内容提供了数据支撑。（2）为改善图像干扰因素导致识别准确率低、少样本过拟合,搭建了一种基于深度卷积网络迁移的溢流坝表观裂缝识别网络。利用稠密卷积连接方式提升裂缝特征的利用率,采用迁移学习策略在特征丰富的源域上获得共性特征编码器,提升了裂缝的纹理、轮廓等共性特征提取能力,缓解了小样本过拟合程度;结合空间金字塔卷积操作建立了多尺度感受野,提升了裂缝识别网络的平移不变性和适应性;在裂缝测试集上取得了98%的识别准确率,优于其他对比方法。结果表明本文搭建的溢流坝表观裂缝识别网络具有更好的识别性能。（3）针对裂缝与背景像素不均衡导致裂缝分割精度低、细小裂缝样本难检测等问题,构建了一种基于混合注意力的溢流坝表观裂缝语义分割网络。通过融合浅层的纹理特征和深层的抽象特征保留了浅层定位信息;利用混合注意力网络增强了模型对不显着细小裂缝的注意力;建立了类均衡损失函数,通过提高裂缝像素在总损失中的贡献率提升裂缝的分割精度;采用形态学方法获得裂缝分割结果的量化信息。在裂缝测试集上取得了87.65%的平均像素精度和81.67%平均交并比,优于其他语义分割对比方法。结果表明本文构建的裂缝语义分割网络在测试集上取得了更好的裂缝分割性能。（4）当前裂缝语义分割网络存在结构冗余、实时性不足的问题,提出了一种溢流坝表观裂缝检测网络的模型压缩方法,该方法利用可分离卷积和非对称卷积构建了轻量型的语义分割网络,建立了知识蒸馏与生成对抗联合训练策略。采用高精度的预训练裂缝分割模型作为教师网络,通过联合训练策略训练轻量型语义分割网络学习教师网络的特征提取能力。与其他典型实时分割模型相比,获得了81.32%的平均交并比和87.36%的平均像素精度;与教师网络相比,浮点运算次数减小了8倍;参数量减小了9倍;每秒处理帧数提升了6倍。综上所述,基于深度学习算法开展的水电站溢流坝表观裂缝检测方法研究为溢流坝表观裂缝检测提供了方法验证与技术支撑,对溢流坝的安全检测具有重要意义。
魏涛[8]（2021）在《结构损伤识别的卷积深度网络模型及对抗策略理论研究》文中研究表明现阶段我国土木工程领域的主要挑战由早期的建设需求向管养、检测和维修需求转变。土木工程结构在其生命期内,不可避免地会出现损伤,当损伤累计到一定程度时,就会对结构的安全性和耐久性构成威胁,甚至发生工程事故,造成财产损失和人员伤亡。因此,对结构在建设和运营期间进行损伤识别的研究,具有重要的理论价值和现实意义。深度学习理论是近年来人工智能领域重要的研究成果,它具有突出的特征学习能力、自适应能力和泛化能力,尤其在大数据处理和模式识别等方面具有得天独厚的优势。因此本论文基于深度学习理论,开展对结构损伤识别的卷积深度网络模型及对抗策略理论的研究。主要研究内容如下:（1）本文介绍了结构损伤识别的研究背景及意义,归纳总结了传统的结构损伤识别方法。基于深度学习理论,提出了两种可靠且高效的结构损伤识别方法:其一是卷积深度网络模型（Convolutional Neural Network,CNN）在结构损伤识别中的应用;其二是深度卷积生成对抗网络模型（Deep Convolutional Generative Adversarial Networks,DCGAN）在结构损伤识别中的应用。（2）结构损伤识别的卷积深度网络模型研究。本文从CNN网络的理论出发,介绍了CNN网络的基本原理和结构,并进一步阐述了CNN网络在结构损伤识别中的应用原理,提出了用于结构损伤识别的卷积深度网络模型基本框架,最后结合试验验证了该网络模型在结构损伤识别中的可行性,证明了CNN网络模型是一种高效的损伤识别方法。（3）结构参数随机性对卷积深度网络模型损伤识别影响的研究。在实际工程中,结构参数比如结构质量、弹性模量和阻尼比等具有随机性,会对CNN网络的损伤识别产生不利影响。研究结果表明,结构参数的随机性会降低CNN网络的识别精度,并且这种影响是不可忽略的。（4）噪声的空间非均匀性对卷积深度网络模型损伤识别影响的研究。在实际工程中,噪声的空间非均匀性会对CNN网络的损伤识别产生一定影响,研究结果表明,噪声在空间上越不均匀,CNN网络识别精度的准确性越低、稳定性越差。（5）结构损伤识别的对抗策略理论研究。本文提出了一种损伤识别方法,此方法利用DCGAN网络的无监督学习能力,来实现自动提取给定条件下结构加速度响应的特征信息,并依此判别结构是否损伤。最后结合试验证明了DCGAN网络是一种非常高效的识别方法,具有在实际工程应用中推广的潜力。
张鹏飞[9]（2021）在《基于遗传算法优化的BP神经网络在桥梁健康监测安全评估中的应用》文中进行了进一步梳理随着我国经济飞速发展和国家城市化进程不断加快,桥梁建设数量以及建设水平已经达到世界一流水平。但是随着人均保有车辆的增多、桥梁的检测养护工作落实不到位,导致产生桥梁安全事故。桥梁结构安全状态通过桥梁健康监测系统进行监测,传统桥梁健康监测系统建设成本昂贵,只能在大型桥梁上进行安装,致使数量众多的中小型桥梁得不到及时监测。因此,需要一种简单有效的方法对桥梁进行安全评估,对桥梁结构安全进行预警,为桥梁的养护工作提供参考建议。以遗传算法优化BP神经网络算法为基础,对桥梁健康监测的数据进行处理,并进行桥梁结构安全预警,对桥梁结构进行安全评估。以某钢管混凝土拱桥作为背景工程,建立一种基于遗传算法优化BP神经网络的桥梁健康监测安全评估方法。分别概述遗传算法和BP神经网络的发展与核心思想,根据健康监测系统的海量数据,确定合适的遗传算法模式和BP神经网络的训练网络结构,利用Matlab及内部工具箱函数实现二者结合。其次,根据某钢管混凝土拱桥的相关工程资料建立有限元模型,并设计完成该桥的健康监测系统,确定该健康监测系统的位移、应力、索力监测子系统。之后,建立层次分析法和变权综合原理的拱桥安全评估模型,根据静力指标、动力指标和荷载指标分配底层监测指标初始权重。安全评估模型分为四级评判标准,对各评判指标进行无量纲化处理。最后,对该钢管混凝土健康监测系统得到的数据进行处理,采用此方法对该桥进行预测并与实测数据进行对比分析,验证该方法可行性。结果表明该方法可以有效预测桥梁在运营过程中各项指标的变化。利用监测系统的实测数据和有限元模型的数值结果建立安全评估的三级评判标准,对遗传算法优化BP神经网络的预测结果进行桥梁安全评估。
陈一新[10]（2021）在《基于LSTM深度学习理论的混凝土收缩徐变行为预测与分析研究》文中认为混凝土因其出色的力学特性和相对低廉的材料成本,成为土木工程领域中用量最大、用途最广的工程材料。但同时,由于混凝土表现出收缩、徐变的时变特性,对结构的长期性能有着较大的影响,因此对收缩、徐变机理的充分认识,以及对混凝土时变发展的精确预测,有着重要的意义。至今为止,国内外学者基于不同的试验数据和理论基本假设,建立了许多具有不同适用性和预测精度的收缩、徐变预测模型。但该类模型依然存在泛化性较差、预测精度较低等问题,有待进一步深入。近年来,随着深度学习的飞速发展,各种机器学习手段在数据挖掘和回归分析上表现突出,因此本研究结合深度学习理论,开展了混凝土收缩徐变行为预测与分析的研究,主要内容如下:（1）依据收缩、徐变数据库（NU-ITI Database for Concrete Creep and Shrinkage）,对收缩、徐变影响因素进行主成分分析（Principal Component Analysis,PCA）,以探究在时变效应影响中,各特征参数的独立性和重要性;并对现有典型的混凝土收缩、徐变预测模型进行归纳、总结和对比。（2）基于收缩、徐变数据库中的数据,结合人工智能方法,分别搭建了BP神经网络（Back Propagation Neural Network,BPNN）和LSTM深度网络（long short-term memory,LSTM）两个预测模型,并与现有计算模型进行了预测对比,结果表明,人工智能方法由于其强大的特征挖掘和自适应能力,其预测精度较传统计算模型更高。同时,由于LSTM深度网络还在时间维度上进行特征的挖掘和学习,具有较BP神经网络更好的预测表现。（3）依托国内某特大跨预应力连续刚构铁路桥,通过Midas有限元软件及LSTM深度网络模型,进行该桥的有限元模型建立。并采用响应面方法（Response surface methodology,RSM）,对不同时间工况下,材料参数和结构变形的隐性响应关系进行描述,再通过蒙特卡洛方法（Monte Carlo Method,MCM）,对变形随机性进行简要分析,结果表明,变形预测结果的离散性会随时间的推进而逐渐增大。（4）利用（3）中建立的不同时间工况下的响应面关系式,结合蒙特卡洛重要抽样方法,采集大量用于变形预测模型训练的样本,以建立基于LSTM深度网络模型的桥梁长期变形预测模型;此外,还探究了不同量级的短期实测数据特征对该模型预测精度的影响,结果表明,更多的短期数据作为模型特征,对预测效果有积极作用。
二、两种神经网络在混凝土强度预测应用中的探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、两种神经网络在混凝土强度预测应用中的探讨（论文提纲范文）
（1）基于CGA-LSO-BP神经网络的固废基胶凝材料混凝土强度预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 工业固废综合利用现状 |
| 1.2.2 智能算法在工程中的应用现状 |
| 1.2.3 混凝土强度预测方法研究现状 |
| 1.3 研究内容 |
| 第2章 固废基胶凝材料混凝土及其抗压强度影响因素分析 |
| 2.1 试验材料组成 |
| 2.1.1 胶凝体系 |
| 2.1.2 粗骨料 |
| 2.1.3 细骨料 |
| 2.1.4 外加剂 |
| 2.2 试验方法及仪器 |
| 2.2.1 试块制备 |
| 2.2.2 养护成型 |
| 2.2.3 抗压强度试验 |
| 2.2.4 固废基胶凝材料比表面积试验 |
| 2.2.5 固废基胶凝材料的安定性试验 |
| 2.2.6 试验仪器 |
| 2.3 抗压强度影响因素分析试验及结果分析 |
| 2.3.1 固废基胶凝材料取代率影响分析 |
| 2.3.2 水胶比影响分析 |
| 2.3.3 砂率影响分析 |
| 2.3.4 粉煤灰掺量影响分析 |
| 2.3.5 其它影响因素 |
| 2.4 本章小结 |
| 第3章 智能算法相关理论 |
| 3.1 BP神经网络理论 |
| 3.1.1 神经网络计算 |
| 3.1.2 BP神经网络的优势 |
| 3.1.3 BP神经网络的不足 |
| 3.2 遗传算法的改进 |
| 3.2.1 遗传算法基本原理 |
| 3.2.2 遗传算法的优势与不足 |
| 3.2.3 混沌搜索策略概述 |
| 3.2.4 混沌遗传算法 |
| 3.3 狮群算法 |
| 3.3.1 狮群算法的原理 |
| 3.3.2 狮群算法的执行流程 |
| 3.3.3 狮群算法的更新迭代 |
| 3.4 混沌遗传-狮群算法及其可行性分析 |
| 3.4.1 技术可行性 |
| 3.4.2 寻优策略的优势互补 |
| 3.5 本章小结 |
| 第4章 CGA-LSO-BP模型设计 |
| 4.1 混沌遗传算法(CGA)的实现过程 |
| 4.1.1 遗传编码 |
| 4.1.2 适应度函数 |
| 4.1.3 种群混沌初始化 |
| 4.1.4 选择操作 |
| 4.1.5 交叉操作 |
| 4.1.6 变异操作 |
| 4.1.7 近似最优解的混沌扰动 |
| 4.2 混沌遗传-狮群算法(CGA-LSO)的实现过程 |
| 4.3 BP神经网络的设计 |
| 4.3.1 BP神经网络层数 |
| 4.3.2 神经元数量 |
| 4.3.3 初始化参数 |
| 4.4 CGA-LSO-BP神经网络模型整体设计 |
| 4.5 本章小结 |
| 第5章 基于CGA-LSO-BP的固废基胶凝材料砼强度预测 |
| 5.1 样本数据准备 |
| 5.2 样本数据的处理 |
| 5.3 模型训练及预测 |
| 5.3.1 CGA-LSO优化BP神经网络 |
| 5.3.2 误差分析 |
| 5.3.3 预测结果对比分析 |
| 5.3.4 抗压强度预测分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 致谢 |
| 作者简介 |
（2）基于BP神经网络建立混凝土破坏准则的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 混凝土强度特性的研究现状 |
| 1.2.1 混凝土的破坏曲面 |
| 1.2.2 常用破坏准则模型 |
| 1.3 神经网络的发展历史及研究现状 |
| 1.3.1 神经网络的发展历史 |
| 1.3.2 神经网络的基本概念 |
| 1.4 本文的研究主题 |
| 第2章 神经网络与混凝土力学性能研究相结合的主要方法 |
| 2.1 混凝土力学性能的主要研究方向 |
| 2.2 BP神经网络在混凝土力学性能研究中的应用 |
| 2.2.1 BP神经网络的基本结构 |
| 2.2.2 BP神经网络研究混凝土力学性能的主要方法 |
| 2.3 卷积神经网络在混凝土力学性能研究中的应用 |
| 2.3.1 卷积神经网络的基本结构 |
| 2.3.2 卷积神经网络研究混凝土力学性能的主要方法 |
| 2.4 支持向量机神经网络在混凝土力学性能研究中的应用 |
| 2.4.1 支持向量机神经网络的基本结构 |
| 2.4.2 支持向量机神经网络研究混凝土力学性能的主要方法 |
| 2.5 RBF神经网络在混凝土力学性能研究中的应用 |
| 2.5.1 RBF神经网络的基本结构 |
| 2.5.2 RBF网络在混凝土力学性能研究中的应用 |
| 2.6 本章小结 |
| 第3章 批量梯度下降法拟合破坏准则参数 |
| 3.1 批量梯度下降法 |
| 3.2 三种破坏准则模型参数拟合 |
| 3.2.1 Ottosen破坏准则模型参数拟合 |
| 3.2.2 Hsieh-Ting-Chen破坏准则模型参数拟合 |
| 3.2.3 Willam-Warnke破坏准则模型参数拟合 |
| 3.3 方法验证与分析 |
| 3.3.1 破坏准则偏应力的拟合度 |
| 3.3.2 同组实验在不同模型下的破坏曲面对比 |
| 3.4 本章小结 |
| 第4章 基于BP神经网络建立的混凝土破坏准则 |
| 4.1 BP神经网络建立破坏准则的基本流程 |
| 4.2 基于剪切应力破坏假设建立的破坏准则模型 |
| 4.2.1 建模理论分析 |
| 4.2.2 线性映射的BP神经网络的破坏准则模型 |
| 4.2.3 模型结果对比分析 |
| 4.3 基于破坏形态假设建立的破坏准则模型 |
| 4.3.1 建模理论分析 |
| 4.3.2 BP神经网络的破坏准则模型 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）基于BP神经网络的重力坝深层抗滑稳定分析（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 重力坝抗滑稳定的研究现状 |
| 1.2 神经网络发展历史及研究现状 |
| 1.3 粘弹性人工边界及地震动输入方式研究现状 |
| 1.4 主要研究内容 |
| 2 BP神经网络理论 |
| 2.1 BP神经网络基本理论 |
| 2.1.1 BP神经网络的结构 |
| 2.1.2 激活函数 |
| 2.1.3 损失函数 |
| 2.1.4 训练函数 |
| 2.1.5 样本数据划分 |
| 2.1.6 学习率 |
| 2.2 BP神经网络算法原理 |
| 2.2.1 神经网络模型建立 |
| 2.2.2 多层前馈 |
| 2.2.3 误差反向传播 |
| 2.3 BP神经网络的特点 |
| 2.4 本章小结 |
| 3 基于BP神经网络的重力坝抗滑稳定分析方法 |
| 3.1 基于BP神经网络拟合滑动面应力的抗滑计算方法 |
| 3.1.1 有限元前处理建模和计算 |
| 3.1.2 构建BP神经网络拟合应力模型 |
| 3.1.3 局部坐标系的应力转换 |
| 3.1.4 深层抗滑稳定分析计算方法 |
| 3.2 基于BP神经网络的二维抗滑稳定算例 |
| 3.2.1 工程概况 |
| 3.2.2 有限元法抗滑稳定计算 |
| 3.2.3 BP神经网络抗滑稳定算例 |
| 3.3 本章小结 |
| 4 粘弹性人工边界及等效荷载 |
| 4.1 粘弹性人工边界及地震动等效荷载常用实现方法 |
| 4.1.1 粘弹性人工边界 |
| 4.1.2 地震动输入等效荷载 |
| 4.2 自由场波动输入问题算例 |
| 4.2.1 二维粘弹性人工边界自由场算例 |
| 4.2.2 三维粘弹性人工边界自由场算例 |
| 4.3 本章小结 |
| 5 静动工况下的三维重力坝深层抗滑稳定分析 |
| 5.1 工程概况 |
| 5.2 基于BP神经网络的静力抗滑稳定计算及参数调优 |
| 5.2.1 有限元滑动面模型的抗滑稳定计算 |
| 5.2.2 BP神经网络抗滑稳定计算及分析 |
| 5.2.3 BP神经网络拟合应力模型的影响因素 |
| 5.3 动力工况重力坝深层抗滑稳定分析 |
| 5.3.1 有限元抗滑稳定安全系数时程计算 |
| 5.3.2 BP神经网络抗滑稳定安全系数时程计算 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间参与科研项目情况 |
| 致谢 |
（4）基于计算优化法的磷酸镁材料的设计和应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 磷酸镁水泥的研究现状 |
| 1.2.2 计算优化法在混凝土材料中的应用现状 |
| 1.3 研究意义 |
| 1.4 研究内容和技术路线 |
| 1.5 论文组织结构 |
| 第2章 原材料和方法 |
| 2.1 原材料 |
| 2.2 制备方法 |
| 2.3 基于RSM的配合比设计 |
| 2.4 试验方法 |
| 2.4.1 工作性能测试 |
| 2.4.2 力学性能测试 |
| 2.4.3 耐水性能测试 |
| 2.4.4 微观性能测试 |
| 第3章 基于响应面法的MPC材料的配合比设计 |
| 3.1 基于RSM建模 |
| 3.1.1 方案设计 |
| 3.1.2 试验结果 |
| 3.2 模型分析以及优化 |
| 3.2.1 线性拟合模型分析 |
| 3.2.2 二次多项式拟合模型分析 |
| 3.2.3 三因素对凝结时间的影响分析 |
| 3.2.4 三因素对早期抗压强度的影响分析 |
| 3.3 本章小结 |
| 第4章 MPC材料的优化及性能研究 |
| 4.1 基于RSM的 MPC组分最优化设计 |
| 4.1.1 工况分析及修补要求确定 |
| 4.1.2 优化结果 |
| 4.1.3 试验验证 |
| 4.2 MPC材料的流变性能 |
| 4.2.1 微型坍落扩展度测试 |
| 4.2.2 流变仪测试 |
| 4.2.3 坍落扩展度与时间的流变模型拟合 |
| 4.3 MPC材料的力学性能 |
| 4.3.1 抗折强度 |
| 4.3.2 抗压强度 |
| 4.3.3 粘结强度 |
| 4.4 MPC材料的耐水性能 |
| 4.5 MPC材料的综合早期性能 |
| 4.6 MPC材料的微观性能表征 |
| 4.6.1 XRD分析 |
| 4.6.2 SEM分析 |
| 4.6.3 MIP分析 |
| 4.7 本章小结 |
| 第5章 MPC的实际修补应用 |
| 5.1 应用一:校园实际修补应用 |
| 5.1.1 校园修补概况 |
| 5.1.2 原材料及配合比选用 |
| 5.1.3 修补流程 |
| 5.1.4 修补效果 |
| 5.2 应用二:地铁预制管片实际修补应用 |
| 5.2.1 工程背景 |
| 5.2.2 工程概况 |
| 5.2.3 原材料和配合比选用 |
| 5.2.4 现场修补工具 |
| 5.2.5 地铁预制管片的修补过程 |
| 5.2.6 修补过程中的注意事项 |
| 5.2.7 MPC材料的现场修补效果 |
| 5.3 应用三:MPC材料用作灌浆料 |
| 5.3.1 工程概况 |
| 5.3.2 原材料及配合比选用 |
| 5.3.3 修补流程 |
| 5.3.4 修补效果 |
| 5.4 应用四:MPC材料用作抗渗修补 |
| 5.4.1 工程概况 |
| 5.4.2 原材料及配合比选用 |
| 5.4.3 修补流程 |
| 5.4.4 修补效果 |
| 5.5 本章小结 |
| 第6章 基于ANN的多因素预测模型初建立 |
| 6.1 基本思想 |
| 6.2 BP神经网络预测模型的训练过程 |
| 6.2.1 BP神经网络的建立 |
| 6.2.2 训练样本与测试样本的确定 |
| 6.2.3 数据的归一化处理 |
| 6.2.4 基于MATLAB的训练过程 |
| 6.2.5 测试样本的强度预测及其模型性能评价 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间论文发表及科研情况 |
| 致谢 |
（5）工业废弃硅粉-粉煤灰模袋混凝土力学性能及抗冻性试验研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 模袋混凝土国内外研究现状 |
| 1.2.2 矿粉作为掺合料在混凝土中的研究现状 |
| 1.2.3 混凝土抗压强度研究现状 |
| 1.2.4 混凝土抗冻耐久性研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 试验材料和方法 |
| 2.1 试验材料 |
| 2.1.1 水泥 |
| 2.1.2 粗骨料 |
| 2.1.3 细骨料 |
| 2.1.4 粉煤灰 |
| 2.1.5 工业废弃硅粉 |
| 2.1.6 减水剂 |
| 2.1.7 试验用水 |
| 2.2 试验方案 |
| 2.2.1 方案设计 |
| 2.2.2 配合比设计 |
| 2.3 试验方法与仪器 |
| 2.3.1 试件制备与养护 |
| 2.3.2 抗压强度试验 |
| 2.3.3 耐久性能试验 |
| 2.3.4 核磁共振试验 |
| 2.3.5 固体紫外试验 |
| 2.3.6 热重试验 |
| 2.3.7 主要试验仪器 |
| 3 模袋混凝土力学性能及抗冻耐久性试验研究 |
| 3.1 力学性能试验研究 |
| 3.1.1 抗压强度结果与分析 |
| 3.1.2 模袋混凝土抗压强度试验破坏形态 |
| 3.2 模袋混凝土抗冻耐久性能试验研究 |
| 3.2.1 模袋混凝土清水-黄河水冻融试验质量损失率结果与分析 |
| 3.2.2 模袋混凝土清水-黄河水冻融试验相对动弹性模量结果与分析 |
| 3.2.3 模袋混凝土清水-黄河水冻融损伤度对比 |
| 3.3 本章小结 |
| 3.3.1 力学性能 |
| 3.3.2 抗冻耐久性能 |
| 4 模袋混凝土孔结构研究 |
| 4.1 核磁共振试验研究 |
| 4.2 模袋混凝土孔结构发育特征 |
| 4.2.1 工业废弃硅粉对T_2谱图和孔隙面积发育的影响 |
| 4.2.2 粉煤灰对T_2谱图和孔隙面积发育的影响 |
| 4.2.3 工业废弃硅粉和粉煤灰对T_2谱图和孔隙面积发育的影响 |
| 4.2.4 双掺工业废弃硅粉-粉煤灰对孔隙度和流体饱和度发育的影响 |
| 4.2.5 双掺工业废弃硅粉-粉煤灰对不同龄期模袋混凝土渗透率的影响 |
| 4.3 模袋混凝土孔结构冻融损伤特征 |
| 4.3.1 清水冻融作用下模袋混凝土T_2谱图和孔隙面积变化规律 |
| 4.3.2 黄河水冻融作用下模袋混凝土T_2谱图和孔隙面积变化规律 |
| 4.3.3 清水-黄河水冻融循环下模袋混凝土孔径分类的损伤规律 |
| 4.3.4 清水-黄河水冻融循环下孔隙度和流体饱和度的损伤规律 |
| 4.3.5 清水-黄河水冻融循环下模袋混凝土渗透率的损伤规律 |
| 4.4 基于孔隙特征参数的灰色关联度分析 |
| 4.4.1 灰色关联度的介绍 |
| 4.4.2 GRA算法的MATLAB实现 |
| 4.5 本章小结 |
| 5 模袋混凝土理化试验研究 |
| 5.1 固体紫外试验结果与分析 |
| 5.1.1 单掺粉煤灰模袋混凝土紫外可见光谱 |
| 5.1.2 单掺工业废弃硅粉模袋混凝土紫外可见光谱 |
| 5.1.3 双掺工业废弃硅粉-粉煤灰模袋混凝土紫外可见光谱 |
| 5.2 模袋混凝土热重试验结果与分析 |
| 5.2.1 单掺粉煤灰模袋混凝土热重分析 |
| 5.2.2 单掺工业废弃硅粉模袋混凝土热重分析 |
| 5.2.3 双掺工业废弃硅粉-粉煤灰模袋混凝土热重分析 |
| 5.3 本章小结 |
| 6 模袋混凝土抗压强度、耐久性能预测模型 |
| 6.1 人工神经网络介绍 |
| 6.2 BP神经网络 |
| 6.2.1 BP神经网络介绍 |
| 6.2.2 BP神经网络的MATLAB实现 |
| 6.3 Elman神经网络 |
| 6.3.1 Elman神经网络介绍 |
| 6.3.2 Elman神经网络的MATLAB实现 |
| 6.4 模袋混凝土神经网络抗压强度预测模型 |
| 6.5 模袋混凝土抗冻性预测模型 |
| 6.5.1 基于BP神经网络的模袋混凝土抗冻性预测模型 |
| 6.5.2 基于Elman神经网络的模袋混凝土抗冻性预测模型 |
| 6.5.3 BP神经网络-Elman神经网络抗冻性预测模型对比 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）基于深度学习的高分辨率图像裂缝检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 接触式裂缝检测方法研究现状 |
| 1.3 传统非接触裂缝检测方法研究现状 |
| 1.4 数据驱动的裂缝检测方法研究 |
| 1.4.1 国外基于数据驱动裂缝检测的研究现状 |
| 1.4.2 国内基于数据驱动裂缝检测的研究现状 |
| 1.5 论文的主要内容 |
| 第二章 深度卷积神经网络基本结构 |
| 2.1 概述 |
| 2.2 卷积层 |
| 2.3 池化层 |
| 2.4 全连接层 |
| 2.5 全卷积 |
| 2.6 激活函数 |
| 2.7 批处理归一化层 |
| 2.8 本章小结 |
| 第三章 基于卷积神经网络的裂缝检测 |
| 3.1 概述 |
| 3.2 裂缝病害图像数据库设计 |
| 3.2.1 病害数据采集 |
| 3.2.2 数据增强 |
| 3.2.3 数据标注 |
| 3.3 双阶段目标检测网络的裂缝检测 |
| 3.3.1 双阶段目标检测网络Faster Rcnn |
| 3.3.2 实验开发环境 |
| 3.3.3 模型评价指标 |
| 3.3.4 网络模型测试 |
| 3.3.5 基于滑动窗的裂缝检测 |
| 3.4 本章小结 |
| 第四章 基于迁移学习的单阶段网络裂缝检测 |
| 4.1 概述 |
| 4.2 迁移学习 |
| 4.3 单阶段目标检测网络 |
| 4.3.1 单阶段目标检测法Yolo-v4 |
| 4.3.2 无锚框目标检测法CenterNet |
| 4.4 基于迁移学习的单阶段网络裂缝检测实验 |
| 4.4.1 训练与评估 |
| 4.4.2 裂缝检测实验 |
| 4.4.3 网络尺寸参数性能分析 |
| 4.5 本章小结 |
| 第五章 基于弱监督的高分辨率图像裂缝检测网络设计 |
| 5.1 概述 |
| 5.2 网络基本结构 |
| 5.2.1 网络整体结构 |
| 5.2.2 残差结构 |
| 5.2.3 并行空洞卷积 |
| 5.3 神经网络训练与测试 |
| 5.3.1 超参数选择与测试集验证 |
| 5.3.2 实验结果评估 |
| 5.3.3 网络检测结果优化 |
| 5.4 本章小结 |
| 第六章 全文总结与工作展望 |
| 6.1 论文主要工作 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文、专利和参与的项目 |
| 学位论文评阅及答辩情况表 |
（7）基于深度学习的水电站溢流坝表观裂缝检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 水电站溢流坝表观裂缝检测方法研究现状 |
| 1.2.1 基于图像处理技术的裂缝检测方法 |
| 1.2.2 基于传统机器学习的裂缝检测方法 |
| 1.2.3 基于深度学习的裂缝检测方法 |
| 1.3 水电站溢流坝表观裂缝检测存在的问题 |
| 1.4 主要研究内容 |
| 1.5 论文章节安排 |
| 2 水电站溢流坝表观图像采集与裂缝数据集创建 |
| 2.1 引言 |
| 2.2 溢流坝图像采集系统 |
| 2.2.1 无人机系统 |
| 2.2.2 系留绕线机构 |
| 2.2.3 图像采集装置 |
| 2.3 溢流坝现场图像采集 |
| 2.3.1 溢流坝现场概况 |
| 2.3.2 溢流坝图像采集方案 |
| 2.4 溢流坝表观裂缝数据集创建 |
| 2.4.1 图像预处理 |
| 2.4.2 裂缝数据集 |
| 2.5 本章小结 |
| 3 基于深度卷积网络迁移的溢流坝表观裂缝识别研究 |
| 3.1 引言 |
| 3.2 深度卷积网络原理 |
| 3.2.1 深度前馈神经网络 |
| 3.2.2 卷积网络 |
| 3.3 迁移学习原理 |
| 3.4 基于深度卷积网络迁移的裂缝识别网络 |
| 3.4.1 CRN模型 |
| 3.4.2 共性特征迁移网络 |
| 3.4.3 裂缝分类识别网络 |
| 3.4.4 训练策略 |
| 3.4.5 评估指标 |
| 3.5 实验与分析 |
| 3.5.1 实验准备 |
| 3.5.2 结果分析 |
| 3.5.3 对比实验 |
| 3.6 本章小结 |
| 4 基于混合注意力的溢流坝表观裂缝语义分割研究 |
| 4.1 引言 |
| 4.2 视觉注意力机制原理 |
| 4.2.1 视觉注意力的生物机理 |
| 4.2.2 显着性注意力生成方法 |
| 4.2.3 注意力映射网络模型 |
| 4.3 混合注意力裂缝语义分割网络 |
| 4.3.1 HACS网络整体结构 |
| 4.3.2 混合注意力网络模块 |
| 4.3.3 类均衡损失函数 |
| 4.3.4 评估指标 |
| 4.3.5 裂缝量化 |
| 4.4 实验与分析 |
| 4.4.1 实验准备 |
| 4.4.2 结果分析 |
| 4.4.3 对比实验 |
| 4.5 本章小结 |
| 5 溢流坝表观裂缝检测网络的模型压缩方法研究 |
| 5.1 引言 |
| 5.2 知识蒸馏策略 |
| 5.3 生成对抗网络 |
| 5.4 基于知识蒸馏与生成对抗的模型压缩方法 |
| 5.4.1 模型压缩方法框架 |
| 5.4.2 LCSS网络搭建 |
| 5.4.3 判别器网络搭建 |
| 5.4.4 知识蒸馏与生成对抗联合训练策略 |
| 5.4.5 评估指标 |
| 5.5 实验与分析 |
| 5.5.1 实验参数设置 |
| 5.5.2 实验结果分析 |
| 5.5.3 实时性对比及应用 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 主要创新点 |
| 6.3 未来的研究工作与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
（8）结构损伤识别的卷积深度网络模型及对抗策略理论研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 传统结构损伤识别方法的应用和发展 |
| 1.2.1 基于动力指纹法的损伤识别法 |
| 1.2.2 基于小波变换法的损伤识别法 |
| 1.3 结构损伤识别的智能检测方法 |
| 1.3.1 基于人工神经网络技术的智能损伤识别法 |
| 1.3.2 基于支持向量机技术的智能损伤识别法 |
| 1.4 深度学习的发展和应用 |
| 1.4.1 深度学习在多个领域的应用 |
| 1.4.2 卷积深度网络的发展及应用 |
| 1.4.3 生成式对抗网络的发展及应用 |
| 1.5 本文主要的研究内容 |
| 2 深度学习理论 |
| 2.1 深度学习的由来 |
| 2.2 深度学习的基本思想 |
| 2.2.1 深度学习的结构及原理 |
| 2.2.2 深度学习的优势 |
| 2.3 深度学习的网络模型分类 |
| 2.4 本章小结 |
| 3 结构损伤识别的卷积深度网络模型研究 |
| 3.1 卷积深度网络的历史 |
| 3.2 卷积深度网络的原理 |
| 3.2.1 卷积深度网络的基本结构 |
| 3.2.2 卷积深度网络的算法原理 |
| 3.2.3 卷积深度网络的特点 |
| 3.3 CNN在结构损伤识别中的原理 |
| 3.3.1 结构动力响应 |
| 3.3.2 损伤识别的原理 |
| 3.4 卷积深度网络模型的设计 |
| 3.4.1 TensorFlow框架 |
| 3.4.2 CNN网络模型的基本框架 |
| 3.5 CNN网络模型应用于结构损伤识别的试验验证 |
| 3.5.1 有限元模型 |
| 3.5.2 试验方案 |
| 3.5.3 试验结果及分析 |
| 3.6 本章小结 |
| 4 结构参数随机性对卷积深度网络损伤识别的影响 |
| 4.1 结构参数的随机性 |
| 4.2 数值模拟与理论研究 |
| 4.2.1 有限元模型 |
| 4.2.2 结构随机性的设定 |
| 4.2.3 CNN网络模型的识别结果及分析 |
| 4.3 本章小结 |
| 5 空间非均匀性噪声对卷积深度网络损伤识别的影响 |
| 5.1 噪声的空间非均匀性 |
| 5.2 噪声的空间非均匀性对CNN的影响 |
| 5.2.1 拉丁超立方抽样 |
| 5.2.2 试验研究与分析 |
| 5.3 传感器精度的非均匀性对CNN的影响 |
| 5.3.1 工况设置 |
| 5.3.2 结果及分析 |
| 5.4 本章小结 |
| 6 结构损伤识别的对抗策略理论研究 |
| 6.1 生成式对抗网络 |
| 6.1.1 生成式对抗网络的基本思想 |
| 6.1.2 生成式对抗网络的算法原理 |
| 6.2 深度卷积生成式对抗网络 |
| 6.2.1 DCGAN中的卷积与反卷积 |
| 6.2.2 DCGAN中的批标准化层 |
| 6.2.3 DCGAN的优点 |
| 6.3 DCGAN在结构损伤识别中的原理 |
| 6.4 深度卷积生成对抗网络模型的设计 |
| 6.5 DCGAN应用于结构损伤识别的试验验证 |
| 6.5.1 简支梁试验 |
| 6.5.2 连续梁试验 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（9）基于遗传算法优化的BP神经网络在桥梁健康监测安全评估中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内研究现状 |
| 1.3 国外研究现状 |
| 1.4 桥梁结构安全评估方法现状 |
| 1.5 主要研究内容 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 2 遗传算法与BP神经网络 |
| 2.1 遗传算法 |
| 2.1.1 遗传算法发展 |
| 2.1.2 个体编码设计 |
| 2.1.3 适应度函数设计 |
| 2.1.4 遗传算子 |
| 2.2 BP神经网络 |
| 2.2.1 神经网络概述与发展 |
| 2.2.2 BP神经网络算法及步骤 |
| 2.2.3 BP神经网络隐含层 |
| 2.3 遗传算法优化BP神经网络 |
| 2.4 本章小结 |
| 3 钢管混凝土拱桥健康监测系统 |
| 3.1 工程简介 |
| 3.2 健康监测系统设计原则和依据 |
| 3.3 健康监测系统框架 |
| 3.4 健康监测系统监测内容 |
| 3.5 监测传感器布设方案 |
| 3.5.1 位移的监测 |
| 3.5.2 应变的监测 |
| 3.5.3 索力的监测 |
| 3.5.4 加速度的监测 |
| 3.5.5 温度的监测 |
| 3.6 本章小结 |
| 4 层次分析法 |
| 4.1 层次分析法概述 |
| 4.2 层次分析模型的建立 |
| 4.3 底层监测指标权重的确立 |
| 4.3.1 位移测点权重的确定 |
| 4.3.2 应变测点权重的确定 |
| 4.3.3 索力测点权重的确定 |
| 4.3.4 加速度测点权重的确定 |
| 4.3.5 温度测点权重的确定 |
| 4.4 底层监测指标评语的确定 |
| 4.5 桥梁结构安全状态评估流程的设计 |
| 4.6 本章小结 |
| 5 工程应用 |
| 5.1 有限元模拟 |
| 5.2 预警体系阈值设置 |
| 5.2.1 桥梁结构安全监测系统预警体系的阈值制定原则 |
| 5.2.2 位移阈值设置 |
| 5.2.3 应变阈值设置 |
| 5.2.4 索力阈值设置 |
| 5.2.5 加速度阈值设置 |
| 5.2.6 温度作用预警阈值设置 |
| 5.3 遗传算法优化神经网络预测 |
| 5.3.1 位移指标预测 |
| 5.3.2 应变指标预测 |
| 5.3.3 索力指标预测 |
| 5.3.4 加速度指标预测 |
| 5.3.5 温度指标预测 |
| 5.4 综合应用 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）基于LSTM深度学习理论的混凝土收缩徐变行为预测与分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 混凝土收缩徐变研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 收缩徐变的机器学习预测模型 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 混凝土收缩徐变理论 |
| 2.1 引言 |
| 2.2 混凝土收缩、徐变基本概念 |
| 2.2.1 混凝土的徐变机理 |
| 2.2.2 混凝土的收缩机理 |
| 2.3 混凝土收缩徐变数据库 |
| 2.4 收缩徐变特征主成分分析 |
| 2.4.1 主成分分析 |
| 2.4.2 主成分分析方法 |
| 2.4.3 样本分析 |
| 2.5 经典收缩徐变预测模型 |
| 2.5.1 CEB-FIP(MC78)模型 |
| 2.5.2 CEB-FIP(MC90)模型 |
| 2.5.3 FIB MC2010 模型 |
| 2.5.4 ACI-209 模型 |
| 2.5.5 GL2000 模型 |
| 2.5.6 B3 模型 |
| 2.5.7 B4 模型 |
| 2.5.8 模型对比 |
| 2.6 小结 |
| 3 深度学习理论 |
| 3.1 引言 |
| 3.2 神经网络的基本理论 |
| 3.2.1 神经网络的基本结构 |
| 3.2.2 BP神经网络 |
| 3.3 深度学习理论 |
| 3.3.1 循环神经网络(RNN) |
| 3.3.2 长短期记忆循环神经网络(LSTM) |
| 3.3.3 Adam优化算法 |
| 3.4 小结 |
| 4 基于LSTM深度学习理论的混凝土收缩徐变预测模型 |
| 4.1 引言 |
| 4.2 数据库数据预处理 |
| 4.2.1 数据清洗以及序列数据准备 |
| 4.2.2 标准化处理 |
| 4.2.3 对数化处理 |
| 4.3 基于BP深度网络的收缩徐变预测模型 |
| 4.3.1 网络特征选取 |
| 4.3.2 网络结构及超参数定义 |
| 4.4 基于LSTM深度网络模型的收缩徐变预测模型 |
| 4.4.1 网络特征选取 |
| 4.4.2 网络结构及超参数定义 |
| 4.4.3 网络滑动窗口定义 |
| 4.4.4 LSTM深度网络的实现 |
| 4.4.5 收缩徐变预测模型评价 |
| 4.5 基于短期数据的长期收缩徐变预测 |
| 4.5.1 数据库数据准备 |
| 4.5.2 深度网络的实现 |
| 4.5.3 模型结果评价 |
| 4.6 小结 |
| 5 基于LSTM深度模型的桥梁长期变形预测 |
| 5.1 引言 |
| 5.2 随机有限元方法 |
| 5.2.1 响应面法 |
| 5.2.2 某连续刚构桥有限元计算 |
| 5.2.3 长期变形响应面建立 |
| 5.2.4 蒙特卡洛抽样 |
| 5.3 基于LSTM深度学习理论的长期变形预测模型 |
| 5.3.1 工程背景 |
| 5.3.2 数据预处理 |
| 5.3.3 网络结构及超参数定义 |
| 5.3.4 基于LSTM深度模型的变形预测 |
| 5.3.5 预测结果评估 |
| 5.3.6 长期预测 |
| 5.4 小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
四、两种神经网络在混凝土强度预测应用中的探讨（论文参考文献）
- [1]基于CGA-LSO-BP神经网络的固废基胶凝材料混凝土强度预测研究[D]. 陈旻蔚. 河北工程大学, 2021
- [2]基于BP神经网络建立混凝土破坏准则的研究[D]. 刘璐瑶. 太原理工大学, 2021(01)
- [3]基于BP神经网络的重力坝深层抗滑稳定分析[D]. 李思源. 大连理工大学, 2021(01)
- [4]基于计算优化法的磷酸镁材料的设计和应用研究[D]. 陈冬冬. 青岛理工大学, 2021(02)
- [5]工业废弃硅粉-粉煤灰模袋混凝土力学性能及抗冻性试验研究[D]. 徐德儒. 内蒙古农业大学, 2021(02)
- [6]基于深度学习的高分辨率图像裂缝检测研究[D]. 孙伟凯. 山东大学, 2021(12)
- [7]基于深度学习的水电站溢流坝表观裂缝检测方法研究[D]. 冯春成. 西南科技大学, 2021
- [8]结构损伤识别的卷积深度网络模型及对抗策略理论研究[D]. 魏涛. 西华大学, 2021(02)
- [9]基于遗传算法优化的BP神经网络在桥梁健康监测安全评估中的应用[D]. 张鹏飞. 兰州交通大学, 2021(02)
- [10]基于LSTM深度学习理论的混凝土收缩徐变行为预测与分析研究[D]. 陈一新. 西华大学, 2021(02)