摘要:在环境腐蚀介质作用下,普通碳钢管混凝土柱构件的承载力和延性会出现明显的下降,从而危害整个结构体系的安全。为了使钢管混凝土柱在耐腐蚀、承载力和延性方面具有更好的表现,本文提出采用双相型不锈钢管超高性能混凝土柱(UFSST)代替普通碳钢管混凝土柱,并对12根矩形短柱试件进行轴心受压试验。通过对试件破坏模式、荷载‒位移曲线和荷载‒应变行为规律的研究,讨论了3种混凝土强度等级和3种钢管壁厚对矩形UFSST短柱试件轴压承载力性能影响,以及双相不锈钢与超高性能混凝土(UHPC)之间的相互作用。结果表明:矩形UFSST短柱试件破坏模式可分为腰鼓屈曲和剪切破坏,两类破坏均具有良好的变形能力;试件极限承载力随钢管壁厚和混凝土强度增加而提升,钢管约束效应使试件荷载在峰值后随轴向位移增加仍保持相对平稳发展。对比试验结果与现行规范承载力设计公式计算结果发现:在未考虑钢管约束效应的规范中,欧洲规范BS EN 1994‒1‒1计算结果均值与试验结果最接近且偏于安全,可直接用于矩形UFSST短柱承载力估算;考虑了钢管约束效应的中国技术规程T/CECS 952—2021承载力公式计算结果偏于不安全。基于矩形钢管对混凝土的非均匀约束作用,对中国技术规程T/CECS 952—2021公式进行了修正,修正公式的计算结果与试验结果吻合较好,可用于矩形UFSST短柱承载力估算。
摘要:图像压缩感知能从低采样观测中重建出高质量图像。将深度学习应用于图像压缩感知,可显著提高图像重建质量。然而,基于深度学习的图像压缩感知方法存在模型可解释性差、结构盲目设计而影响重建性能的问题。针对这些问题,提出了一种基于零值域分解的深度图像压缩感知方法(range‒null space decomposition based deep image compressive sensing network,RND‒Net)。该方法通过全局卷积采样的方式稀疏感知图像的特征信息,通过学习信号相关的采样矩阵,使采样值包含更丰富的图像特征,且相较一般的逐块采样方式,在全局层面上的采样可明显减少块状伪影;基于零值域分解的数学表示,将采样与重建过程转化为端到端深度学习模型,借助深度神经网络拟合所涉及的线性或非线性运算,相比传统方法缩短了模型推理时间,提升了图像重建能力。上述将数学先验知识有效融入数据驱动的方法称为协同驱动,既充分利用了数学先验知识,强化了模型的可解释性,使模型结构更易于设计,又发挥了以深度学习为代表的数据驱动方法的自主寻优能力,相比其他深度压缩感知方法更易于获得全局最优解。在多个测试集上的实验证明,RND‒Net与目前图像重建能力较好的算法相比显著提升了图像重建质量,减少了单幅图像重建时间。当采样率为0.1、测试集为BSDS68时,RND‒Net比AutoBCS在峰值信噪比(PSNR)上平均高1.02 dB。在测试集Set14上,RND‒Net对于混合驱动的GPX‒ADMM‒Net的平均PSNR和结构相似性指数(SSIM)增益分别为1.15 dB和0.051 8;重建单幅图像时,RND‒Net比GPX‒ADMM‒Net快约0.104 9 s。