课程文献中心 更多>>

关键词： 盾构隧道   地表沉降预测   深度学习   相关性分析   融合预测模型  

摘要： 目前,盾构法仍然是一种高效快速的隧道建造方法,其自动化施工程度高、对周围地层扰动小、适应复杂地层环境强等优点使其被广泛应用于隧道工程。为了满足地下空间的容量需求,盾构机的直径不断增大,盾构刀盘面板朝着大直径、超大直径迈进。然而,伴随着盾构直径的不断增大,盾构机的隧道施工难度也随之上升,其掘进过程中不可避免会对周边地层产生影响,扰动周围土体应力状态发生改变,造成隧道开挖面出现土体卸载。应力通过土体传递至地面,可能引发地表沉降,甚至地表坍塌等灾害。这些灾害会给地下管道、地表公共设施以及周边建筑带来严重影响,因而开展预测盾构隧道掘进诱发的地表沉降的研究,对于确保盾构掘进路线周边地表设施、楼房建筑和盾构安全施工尤为关键且具有重要意义。 本文依托汕头湾海底隧道陆域段(DK162+868～DK164+050)区间的盾构隧道,以现场工程资料作为地表沉降研究的数据支撑。本文主要研究成果如下: (1)实验数据处理及沉降数据集的构建:通过现场获取影响沉降的地质条件参数、盾构掘进参数和几何参数等工程数据,分别对地质条件参数进行量化、剔除停机状态下的盾构掘进参数。紧接着,对处理后的地质条件参数、盾构掘进参数和其他实验数据进行缺省值、离群点等数据清洗操作。使用斯皮尔曼相关系数法量化各种参数之间的相关程度,筛选出与地表沉降相关程度较高的参数,并进行容忍度和方差膨胀因子分析,以判断参数间是否存在多重共线性问题。结合特征重要性评估算法,剔除存在严重多重共线性的某些参数,从而解决参数之间的多重共线性问题。最后,将剩下的参数作为地表沉降数据集并进行标准化。 (2)对比多种算法模型的地表沉降预测性能研究:采用BP神经网络(BPNN)、支持向量机回归(SVR)、极致梯度提升树(XGBoost)三种回归预测模型和双向长短期记忆神经网络(BiLSTM)算法构建地表沉降预测模型。通过对比分析模型评估指标和各个模型在数据集上的预测误差,得出各模型预测性能排名为BiLSTM>XGBoost>BPNN>SVR。选取表现最优的算法作为地表沉降预测模型。 (3)提出一种多算法融合的CNN-BiLSTM-MHA地表沉降预测模型:为进一步探究盾构掘进参数、几何参数、地质条件参数和地表沉降值之间的多参数耦合关系,增强模型对多参数隐含特征的提取能力、模型的表征能力以及对关键信息的学习能力。引入卷积神经网络和多头注意力机制改进双向长短期记忆神经网络,建立CNN-BiLSTM-MHA融合模型,用于预测盾构施工过程的地表沉降。提出的融合模型能较准确地反映大直径盾构掘进过程中的地表沉降变形规律,同时具备一定的稳定性、可靠性和鲁棒性。试验结果表明:CNN-BiLSTM-MHA融合模型在平均绝对误差、均方根误差和R-Square模型评价指标上优于BiLSTM、BiLSTM-MHA、CNN-BiLSTM算法模型,进一步提高了模型的预测效果和泛化能力。 (4)CNN-BiLSTM-MHA融合预测模型的工程验证:本文使用Py Qt5框架设计并搭建了盾构掘进过程地表沉降预测模型的可视化用户图形界面,以方便工程操作人员进行沉降预测。采用改进的融合模型对盾构掘进过程中地表沉降进行工程验证,以预测某特定位置在盾构施工前、中、后全过程的地表沉降情况。实验结果显示:模型预测值与实际值之间具有较强的相关性,且预测误差较小,验证了CNN-BiLSTM-MHA融合预测模型方法的可行性和合理性。

关键词： FVC   时空分布   地形因子   气象因子   青藏高原冻土区  

摘要： 植被是陆地生态系统的基本组成部分,在生态环境监测方面扮演着重要角色,而植被覆盖度(Fractional Vegetation Cover,FVC)是评估区域生态环境变化的重要指标。青藏高原地形、气候条件复杂,生态系统脆弱敏感,且冻土分布广泛,是世界上中低纬度地区冻土面积最大的区域。近年来随着全球气候变暖,冻土发生显著退化,对植被的生长也产生很大的影响,而不同类型冻土区植被变化情况及影响机制表现出不同的特征。因此,深入开展青藏高原冻土区植被覆盖度时空变化及对地形、气候响应的研究很有必要,对掌握冻土区生态系统的现状和加强区域生态环境建设具有重要的现实意义。 本文以青藏高原冻土区为研究区,基于MODIS13Q1归一化植被指数数据集(Normalized Difference Vegetation Index,NDVI),利用像元二分法反演其对应的植被覆盖度,并结合地形、气象等数据,通过均值分析、趋势分析及显著性检验、变异系数分析、Hurst指数分析、地形分布指数、相关分析等方法,探究了2001-2020年青藏高原冻土区植被覆盖度的时空变化特征、稳定性特征以及未来变化趋势特征,揭示了地形、气象等因素对植被覆盖度变化的影响机制,以期为寒区生态系统研究提供一定的参考价值。本文的主要结论如下: (1)2001-2020年,青藏高原高山多年冻土区、季节冻土区、连续多年冻土区和岛状多年冻土区FVC均值呈上升趋势,增率分别为:0.018/10 a、0.010/10 a、0.008/10 a和0.004/10 a,空间上均表现出“西北向东南递增”的分布特点。空间趋势分析表明,青藏高原冻土区FVC变化趋势整体以稳定为主,但呈改善趋势,显著增加面积占比明显大于显著减少面积占比,显著增加面积占比依次为:高山多年冻土区(32.38%)>连续多年冻土区(24.91%)>季节冻土区(20.23%)>岛状多年冻土区(8.04%)。空间稳定性表明,2001-2020年青藏高原冻土区FVC稳定性总体呈现出“从西到东逐渐递增”的空间分布格局,就4种冻土区而言,FVC稳定性从高到低依次为:季节冻土区(0.123)、连续多年冻土区(0.176)、岛状多年冻土区(0.189)、高山多年冻土区(0.230)。未来变化趋势表明,青藏高原连续多年冻土区、高山多年冻土区、岛状多年冻土区、季节冻土区FVC未来变化趋势呈上升面积比例小于呈下降面积占比,下降面积比例依次为60.40%、64.37%、56.20%、74.17%,青藏高原冻土区植被未来变化趋势以退化为主。 (2)青藏高原冻土区FVC及其变化类型主要受高程和坡度的影响。随着高程增加,青藏高原连续多年冻土区、高山多年冻土区、岛状多年冻土区和季节冻土区FVC呈下降趋势,最大值分别出现在高程4000 m-4500 m、高程3500 m-4000 m、高程<3500 m、高程<3500 m范围内。随坡度的增加,连续多年冻土区和高山多年冻土区FVC呈先上升后下降趋势,在坡度6°-15°范围内FVC达到最大值。岛状多年冻土区和季节冻土区FVC随坡度升高呈上升趋势,坡度大于25°后,FVC取到最大值。随高程和坡度的增加,青藏高原冻土区FVC显著增加类型和显著减少类型K值呈下降趋势,FVC无显著变化类型K值呈上升趋势,表明优势分布从显著增加类型和显著减少类型向无显著变化类型转化。除平地外,其余4个坡向对青藏高原冻土区FVC及其变化类型无明显影响。在平地区域,FVC值较小且显著减少类型为优势分布。 (3)2001-2020年,青藏高原冻土区年均气温呈不显著上升趋势,空间分布特征与高程遵循垂直地带性分布规律。青藏高原冻土区年均累计降水量呈不显著上升趋势,与FVC的空间分布特征具有一致性。就4种冻土区而言,除季节冻土区外,其他三种冻土区FVC与气温呈正相关,青藏高原冻土区FVC与降水均呈正相关。总体而言,FVC与降水的相关系数大于FVC与气温的相关系数,表明降水是影响植被变化的主控因子。随气温升高,青藏高原冻土区FVC与气温的相关性从正相关转变为负相关,因此从长期来看,全球气候变暖导致的冻土退化不利于植被生长。

关键词： 圆锥角膜   亚临床圆锥角膜   SCANet模型   点云   注意力  

摘要： 圆锥角膜是最严重的的角膜疾病之一。当前圆锥角膜的诊断方法主要依赖于角膜形态学的变化,这些方法在检测典型的圆锥角膜和正常角膜方面表现出色,但检测形态变化微小的亚临床圆锥角膜则比较困难。因此,寻找一种能够同时辅助诊断圆锥角膜和亚临床圆锥角膜的方法是十分必要的。本文提出了基于点云深度学习的SCANet模型,该模型从角膜生物力学特性为出发点,首先采集角膜受压形变视频,将其转化为带有时空信息的角膜点云数据,然后利用结合多种注意力机制的点云深度学习模型提取角膜点云的特征信息,并映射到多分类结果,得到准确的角膜类别,辅助医生进行诊断。本文的主要工作有以下三方面: (1)针对形态学数据难以诊断亚临床圆锥角膜的问题,采集并构建了基于角膜生物力学特性的角膜点云数据集。首先,从Corvis ST中对角膜受压形变并恢复的过程进行视频采样;其次,将视频数据进行分帧、去噪、二值化等处理后,提取角膜轮廓数据,通过对每个样本全部轮廓图像的像素点进行扫描,构建角膜的三维点云数据;最后,对密集数据点进行最远点采样构建角膜点云数据集。针对亚临床圆锥角膜数据量少导致的类别间样本数量不平衡问题,采用随机平移和随机缩放的手段,对亚临床圆锥角膜的数据进行扩充,以更好地适应深度学习模型的训练需求。 (2)针对点云神经网络忽视全局特征的问题,提出SCANet模型。该模型引入自注意力机制,通过学习局部特征点之间的联系,增加网络提取全局特征的能力。为了有效提取特征,减少关键信息的丢失,SCANet中多次利用共享权重MLP对特征点进行升维操作来增加点云的特征通道数。然而,高维通道中会包含不利于特征提取的干扰信息。因此,本文引入通道注意力机制,训练通道权重矩阵,来清洗高维通道中的干扰信息。 (3)为了验证本文提出的SCANet模型的有效性,使用相同数据集对传统的点云分类网络进行训练并与SCANet实验结果进行对比,实验结果表明,SCANet的各项评估指标均高于传统网络。对网络中增加的模块进行单项消融实验,两个模块均能提升模型分类性能,验证了本文加入模块的合理性。

关键词： 干眼   脂质异常型   三花润目汤   超声雾化  

摘要： 目的: 观察自拟三花润目汤超声雾化法治疗脂质异常型干眼患者的临床疗效。 方法: 收集2023年1月至2024年1月期间,就诊于天水市中医医院眼科门诊的符合诊断及纳入标准的患者,随机分为三组(各33名),共99人。研究采用玻璃酸钠滴眼液治疗作为治疗组1,纯净水超声雾化并配合玻璃酸钠滴眼液滴眼治疗作为治疗组2,自拟三花润目汤超声雾化,并配合玻璃酸钠滴眼液滴眼治疗作为治疗组3。疗程均为4周。记录并比较每位患者治疗前、后的眼表疾病指数(OSDI)评分、中医临床相关症候评分、泪液分泌试验(SIT)结果、荧光素染色泪膜破裂时间(FBUT)、角结膜荧光素染色(FL)评分、睑板腺功能评分,并进行统计分析,对三种疗法的临床疗效进行评价。 结果: 1.本研究共纳入99例观察对象,最终92例完成,失访率为7.07%。治疗前三组患者的基线资料均无统计学差异(P>0.05),说明各项观察指标具有可比性。 2.经组内比较,三组患者治疗后SIT、FBUT较治疗前均上升;治疗后FL、睑板腺功能评分、OSDI评分和中医症候评分较治疗前均下降,差异均有统计学意义(P<0.05)。组间比较显示,治疗组3较治疗组1与治疗组2的SIT、FBUT评分上升更加显著,而FL、睑板腺功能评分、OSDI和中医症候评分的下降更加显著,治疗组3较治疗组1、治疗组2下降幅度更大,差异均有统计学意义(P<0.05);其中治疗组1与治疗组2的SIT评分差异无统计学意义(P>0.05),其余差异均有统计学意义(P<0.05),说明三组对患者干眼症状治疗效果有差异,其中治疗组3疗效更加显著。 3.治疗后,治疗组1、治疗组2与治疗组3的总有效率分别为61.29%、70.00%、83.87%。在此次研究条件下,治疗组3的总有效率高于其余两组。 4.治疗期间,治疗组1、治疗组2、治疗组3均未出现不良反应。 结论: 1.玻璃酸钠滴眼液、纯净水超声雾化疗法配合玻璃酸钠滴眼液及自拟三花润目汤超声雾化疗法配合玻璃酸钠滴眼液三组都可以有效地治疗脂质异常型干眼,均能改善FBUT、FL、SIT、睑板腺功能,降低OSDI及中医证候评分。 2.脂质异常型干眼患者接受的三组治疗中,自拟三花润目汤超声雾化配合玻璃酸钠滴眼液治疗效果更佳,中医药发挥了其独特的优势;且颗粒剂型的使用提供了更多便利,更好地发挥了中药的作用,具有临床推广与应用的价值。

关键词： 语义分割   视觉感知   冠层覆盖度   大豆育种  

摘要： 大豆是全球重要的粮油饲兼用作物与工业原料,其冠层结构具有高度遗传相关性并决定着植株对养分光照的竞争能力,从而大豆影响长势与产量。因此,试验田场景下的冠层覆盖度高通量准确提取是智能评价大豆品种优势的重要前提。随着深度学习的发展,语义分割方法有助于实现大豆冠层覆盖度端到端的提取,然而,针对育种试验田环境的特殊性,尚存一些关键技术亟待突破。首先,育种阶段作物遵循统一的栽培标准,相同品种大豆冠层具有近似的遗传表达,这些独有的先验信息尚未在冠层提取时被充分发掘与利用。其次,育种基因型多样,长势稀疏的大豆植株在遥感影像中像素占比极少,这为冠层结构提取带来挑战。最后,分割边界粗糙与覆盖度自动化评价的缺失加剧了大豆选种育种过程中覆盖度信息的提取难度。因此,本文拟针对自然环境下育种实验田中不同基因型的大豆植株,构建大豆冠层近地面遥感数据集,开展基于语义分割的大豆冠层覆盖度信息提取方法研究,主要内容包括: 1、针对大豆育种环境下栽培标准与品种多样的特点,提出了基于田间场景属性的特征映射编码方法。设计田间场景属性感知模块结合地块空间相关性与冠层区域同质性,构建田间场景属性聚合算子增强模型对冠层特征的归纳整合能力,并在此基础上提出基于田间场景属性渐进式聚合的编码器结构,为大豆冠层的特征提取提供更有效的新途径。通过与领域内先进的编码方法对比试验得知,基于田间场景属性的特征映射编码方法取得了最优的特征提取效果,能够实现土壤与冠层的准确区分与冠层密度的精准感知。 2、针对长势稀疏大豆冠层识别困难的问题,提出了基于冠层信息交互的语义重构解码方法。综合小尺度大豆目标特点、编码阶段特征提取方式和解码信息深浅关系,设计基于多阶段冠层特征交互的解码器结构,与前述编码器结构协同构成基于多阶段冠层特征引导的语义分割模型。提出的解码器结构通过引入密集残差结构增强解码器阶段间交互关系,然后设计冠层多尺度融合模块充分挖掘层级间冠层信息,不仅减少了小尺度特征的丢失,也实现了深浅特征优势的互补,提高了模型性能。与主流的语义分割解码方式相比,基于冠层信息交互的语义重构解码方法能够有效提升模型对长势稀疏大豆品种的感知能力,从而将模型适用性推广至基因型更多样的大豆育种工作。 3、为优化覆盖度数值计算与结构化分类评级流程,提出了规模化育种条件下的大豆冠层覆盖度信息高精度提取方法。基于前文提出的编解码方法,通过建立冠层特征图邻域内像素点的空间语义关联,构建基于组合式空洞采样的语义分割模型,细粒度优化大豆冠层提取边界。此外,构建首个面向智慧育种的大豆冠层覆盖度评价体系,填补了大豆冠层覆盖度高通量提取与农业专家育种经验之间的空白。实验结果表明,本文提出的语义分割模型实现了196个大豆品种冠层结构的精准提取,综合性能优于其他同类模型。构建的大豆冠层覆盖度评价体系合理有效,其分类结果符合农业专家经验,能够为大豆智慧育种提供可靠信息。