CN114858560B - 一种适用于土方路基压实土最佳含水率快速测量方法 - Google Patents
一种适用于土方路基压实土最佳含水率快速测量方法 Download PDFInfo
- Publication number
- CN114858560B CN114858560B CN202210629850.2A CN202210629850A CN114858560B CN 114858560 B CN114858560 B CN 114858560B CN 202210629850 A CN202210629850 A CN 202210629850A CN 114858560 B CN114858560 B CN 114858560B
- Authority
- CN
- China
- Prior art keywords
- soil
- water content
- sample
- image
- soil sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 226
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005056 compaction Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 6
- 239000007788 liquid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种适用于土方路基压实土最佳含水率快速测量方法,包括步骤:一、制作不同含水率的土样;二、攥紧土样并获取每个攥紧土样的初始样本图像;三、初始样本图像预处理;四、构建图像数据库;五、训练并测试VGG卷积神经网络;六、土方路基压实土最佳含水率快速测量;七、向实际制作的土方路基土加水,然后执行步骤六;八、向实际制作的土方路基土加土,然后执行步骤六。本发明在土样制作过程中施工人员随手抓取一把土样攥紧测量土样含水率,利用土样含水率测量系统快速识别土方路基压实土所需土样是否达到最佳含水率,根据土样含水率测量设备测量结果实时快速调节土样含水量,快捷方便,时效性好。
Description
技术领域
本发明属于压实土最佳含水率快速测量技术领域,具体涉及一种适用于土方路基压实土最佳含水率快速测量方法。
背景技术
压实度是土方路基压实性能的最主要控制指标,它直接可以反映出土方路基的承载能力及施工质量的好坏,因此在土方路基施工过程中,要严格控制压实度指标符合相应规范的要求。通过标准击实试验,我们能够明确的知道随着土体含水率的增加,土体的干密度会呈现一个抛物线的形式发展。由此可以看出,土体当中的含水率过高与过低都不合适,只有在最佳含水率的情况下,土体才能达到最大干密度,即土体被挤压的最密实。当土体当中含水率较小时,土颗粒之间主要以强结合水连接,连接比较牢固,阻碍土颗粒运动,土体表现为不容易被挤压密实。随着含水率的增加,土颗粒之间开始以弱结合水的形式相连接,水分在土颗粒被挤压密实的过程中,起到润滑作用,因此,在此过程中,随着含水率的增加,土体被挤压的越密实,表现为土体的干密度增加。当土体当中水分含量较多时,土颗粒之间主要以液态水的形似相连接,连接较弱,在土体受力过程中,液态水很难从土的孔隙当中挤压出来,从而阻滞土颗粒之间相互靠近密实,从而出现软弹现象,表现为土体很难被压实。
实际施工过程中,土方路基压实土制成后需要利用标准击实试验测量土样的含水率,而标准击实试验需要在标准实验室中完成,且测量实验时间长,一般在24小时左右,当土样测量结果出来后土样的实际含水率也随着时间的变化导致实际含水率发生了变化,对施工影响较大。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种适用于土方路基压实土最佳含水率快速测量方法,在土样制作过程中施工人员随手抓取一把土样攥紧测量土样含水率,利用土样含水率测量系统快速识别土方路基压实土所需土样是否达到最佳含水率,根据土样含水率测量设备测量结果实时快速调节土样含水量,快捷方便,无需将土样送入实验室进行标准击实试验,时效性好,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于,该方法包括以下步骤:
步骤一、制作不同含水率的土样:制作M个不同含水率且含水率已知的土样,其中,M个不同含水率且含水率已知的土样中包含m1个第一土样、m2个最佳含水率的土样和m3个第二土样,M、m1、m2和m3均为不小于100的正整数;
第二土样的含水率高于最佳含水率,第一土样的含水率低于最佳含水率;
步骤二、攥紧土样并获取每个攥紧土样的初始样本图像:
每个攥紧土样的初始样本图像的获取过程均相同,任一含水率已知的土样的攥紧土样的初始样本图像获取过程为:施工工人利用手抓取一把含水率已知的土样并攥紧土样,张开手后土样塑形,利用土样含水率测量系统中的摄像头采集每个攥紧土样的初始样本图像;
所述土样含水率测量系统包括摄像头和与摄像头连接的控制器,所述控制器的输出端连接有用于显示测量结果的显示屏;
步骤三、初始样本图像预处理:对每张初始样本图像进行裁剪以及灰度化处理,获取每张初始样本图像对应的训练样本图像;
步骤四、构建图像数据库:将M张训练样本图像构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤五、训练并测试VGG卷积神经网络,过程如下:
步骤501、VGG卷积神经网络初始化:所述VGG卷积神经网络包括输入层、特征提取模块、全连接层、Softmax分类器和输出层,所述输入层输入为训练样本图像,输出层为期望输出向量;
步骤502、设定期望输出向量:设定第一土样的期望输出向量Q1=[100],设定最佳含水率的土样的期望输出向量Q2=[010],设定第二土样的期望输出向量Q3=[001];
步骤503、在图像训练数据集合中调取一张训练样本图像,送入VGG卷积神经网络,根据输入图像和已知的期望输出向量,对VGG卷积神经网络优化一次权重参数集合;
步骤504、在图像训练数据集合中调取新的一张训练样本图像,循环步骤503,直至图像训练数据集合中的图像调取完毕,此时,得到VGG卷积神经网络的最终权重参数集合,并确定最终的VGG卷积神经网络,完成VGG卷积神经网络的训练过程;
步骤505、在图像测试数据集合中调取训练样本图像,对VGG卷积神经网络进行测试,获取训练并测试完成的VGG卷积神经网络;
步骤六、土方路基压实土最佳含水率快速测量:施工工人手取一把实际制作的土方路基土样后攥紧,张开手后实际制作的土方路基土样塑形,利用摄像头拍摄实际制作的土方路基土样攥紧后的初始样本图像;
控制器对实际制作的土方路基土样攥紧后的初始样本图像进行预处理后将其送入训练完成的VGG卷积神经网络中,输出期望输出向量;
根据期望输出向量确定实际制作的土方路基土样的含水率是否为最佳含水率,当实际制作的土方路基土样的含水率为最佳含水率时,测量完成,准备路基压实施工;
当实际制作的土方路基土样的含水率为第一土样的含水率区间时,执行步骤七;
当实际制作的土方路基土样的含水率为第二土样的含水率区间时,执行步骤八;
步骤七、向实际制作的土方路基土加水,然后执行步骤六;
步骤八、向实际制作的土方路基土加土,然后执行步骤六。
上述的一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于:所述图像训练数据集合中图像数量和图像测试数据集合中图像数量之比为9:1。
上述的一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于:所述特征提取模块包括卷积操作模块和池化层。
上述的一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于:所述卷积操作模块包括依次连接的卷积层,ReLU激活函数和批量归一化层。
本发明的有益效果是,在土样制作过程中施工人员随手抓取一把土样攥紧测量土样含水率,利用土样含水率测量系统快速识别土方路基压实土所需土样是否达到最佳含水率,根据土样含水率测量设备测量结果实时快速调节土样含水量,快捷方便,无需将土样送入实验室进行标准击实试验,时效性好,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示,本发明的一种适用于土方路基压实土最佳含水率快速测量方法,包括以下步骤:
步骤一、制作不同含水率的土样:制作M个不同含水率且含水率已知的土样,其中,M个不同含水率且含水率已知的土样中包含m1个第一土样、m2个最佳含水率的土样和m3个第二土样,M、m1、m2和m3均为不小于100的正整数;
第二土样的含水率高于最佳含水率,第一土样的含水率低于最佳含水率;
需要说明的是,m1个第一土样中每个土样的含水率值可以各不相同,也可以有重复;m3个第二土样中每个土样的含水率值可以各不相同,也可以有重复。
步骤二、攥紧土样并获取每个攥紧土样的初始样本图像:
每个攥紧土样的初始样本图像的获取过程均相同,任一含水率已知的土样的攥紧土样的初始样本图像获取过程为:施工工人利用手抓取一把含水率已知的土样并攥紧土样,张开手后土样塑形,利用土样含水率测量系统中的摄像头采集每个攥紧土样的初始样本图像;
所述土样含水率测量系统包括摄像头和与摄像头连接的控制器,所述控制器的输出端连接有用于显示测量结果的显示屏;
需要说明的是,控制器采用ARM系列的微控制器即可。
步骤三、初始样本图像预处理:对每张初始样本图像进行裁剪以及灰度化处理,获取每张初始样本图像对应的训练样本图像;
步骤四、构建图像数据库:将M张训练样本图像构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤五、训练并测试VGG卷积神经网络,过程如下:
步骤501、VGG卷积神经网络初始化:所述VGG卷积神经网络包括输入层、特征提取模块、全连接层、Softmax分类器和输出层,所述输入层输入为训练样本图像,输出层为期望输出向量;
步骤502、设定期望输出向量:设定第一土样的期望输出向量Q1=[100],设定最佳含水率的土样的期望输出向量Q2=[010],设定第二土样的期望输出向量Q3=[001];
步骤503、在图像训练数据集合中调取一张训练样本图像,送入VGG卷积神经网络,根据输入图像和已知的期望输出向量,对VGG卷积神经网络优化一次权重参数集合;
步骤504、在图像训练数据集合中调取新的一张训练样本图像,循环步骤503,直至图像训练数据集合中的图像调取完毕,此时,得到VGG卷积神经网络的最终权重参数集合,并确定最终的VGG卷积神经网络,完成VGG卷积神经网络的训练过程;
步骤505、在图像测试数据集合中调取训练样本图像,对VGG卷积神经网络进行测试,获取训练并测试完成的VGG卷积神经网络;
步骤六、土方路基压实土最佳含水率快速测量:施工工人手取一把实际制作的土方路基土样后攥紧,张开手后实际制作的土方路基土样塑形,利用摄像头拍摄实际制作的土方路基土样攥紧后的初始样本图像;
控制器对实际制作的土方路基土样攥紧后的初始样本图像进行预处理后将其送入训练完成的VGG卷积神经网络中,输出期望输出向量;
根据期望输出向量确定实际制作的土方路基土样的含水率是否为最佳含水率,当实际制作的土方路基土样的含水率为最佳含水率时,测量完成,准备路基压实施工;
当实际制作的土方路基土样的含水率为第一土样的含水率区间时,执行步骤七;
当实际制作的土方路基土样的含水率为第二土样的含水率区间时,执行步骤八;
步骤七、向实际制作的土方路基土加水,然后执行步骤六;
步骤八、向实际制作的土方路基土加土,然后执行步骤六。
本实施例中,在土样制作过程中施工人员随手抓取一把土样攥紧测量土样含水率,利用土样含水率测量系统快速识别土方路基压实土所需土样是否达到最佳含水率,根据土样含水率测量设备测量结果实时快速调节土样含水量,快捷方便,无需将土样送入实验室进行标准击实试验,时效性好。
本实施例中,所述图像训练数据集合中图像数量和图像测试数据集合中图像数量之比为9:1。
本实施例中,所述特征提取模块包括卷积操作模块和池化层。
本实施例中,所述卷积操作模块包括依次连接的卷积层,ReLU激活函数和批量归一化层。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于,该方法包括以下步骤:
步骤一、制作不同含水率的土样:制作M个不同含水率且含水率已知的土样,其中,M个不同含水率且含水率已知的土样中包含m1个第一土样、m2个最佳含水率的土样和m3个第二土样,M、m1、m2和m3均为不小于100的正整数;
第二土样的含水率高于最佳含水率,第一土样的含水率低于最佳含水率;
步骤二、攥紧土样并获取每个攥紧土样的初始样本图像:
每个攥紧土样的初始样本图像的获取过程均相同,任一含水率已知的土样的攥紧土样的初始样本图像获取过程为:施工工人利用手抓取一把含水率已知的土样并攥紧土样,张开手后土样塑形,利用土样含水率测量系统中的摄像头采集每个攥紧土样的初始样本图像;
所述土样含水率测量系统包括摄像头和与摄像头连接的控制器,所述控制器的输出端连接有用于显示测量结果的显示屏;
步骤三、初始样本图像预处理:对每张初始样本图像进行裁剪以及灰度化处理,获取每张初始样本图像对应的训练样本图像;
步骤四、构建图像数据库:将M张训练样本图像构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤五、训练并测试VGG卷积神经网络,过程如下:
步骤501、VGG卷积神经网络初始化:所述VGG卷积神经网络包括输入层、特征提取模块、全连接层、Softmax分类器和输出层,所述输入层输入为训练样本图像,输出层为期望输出向量;
步骤502、设定期望输出向量:设定第一土样的期望输出向量,设定最佳含水率的土样的期望输出向量/>,设定第二土样的期望输出向量/>;
步骤503、在图像训练数据集合中调取一张训练样本图像,送入VGG卷积神经网络,根据输入图像和已知的期望输出向量,对VGG卷积神经网络优化一次权重参数集合;
步骤504、在图像训练数据集合中调取新的一张训练样本图像,循环步骤503,直至图像训练数据集合中的图像调取完毕,此时,得到VGG卷积神经网络的最终权重参数集合,并确定最终的VGG卷积神经网络,完成VGG卷积神经网络的训练过程;
步骤505、在图像测试数据集合中调取训练样本图像,对VGG卷积神经网络进行测试,获取训练并测试完成的VGG卷积神经网络;
步骤六、土方路基压实土最佳含水率快速测量:施工工人手取一把实际制作的土方路基土样后攥紧,张开手后实际制作的土方路基土样塑形,利用摄像头拍摄实际制作的土方路基土样攥紧后的初始样本图像;
控制器对实际制作的土方路基土样攥紧后的初始样本图像进行预处理后将其送入训练完成的VGG卷积神经网络中,输出期望输出向量;
根据期望输出向量确定实际制作的土方路基土样的含水率是否为最佳含水率,当实际制作的土方路基土样的含水率为最佳含水率时,测量完成,准备路基压实施工;
当实际制作的土方路基土样的含水率为第一土样的含水率区间时,执行步骤七;
当实际制作的土方路基土样的含水率为第二土样的含水率区间时,执行步骤八;
步骤七、向实际制作的土方路基土加水,然后执行步骤六;
步骤八、向实际制作的土方路基土加土,然后执行步骤六。
2.按照权利要求1所述的一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于:所述图像训练数据集合中图像数量和图像测试数据集合中图像数量之比为9:1。
3.按照权利要求1所述的一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于:所述特征提取模块包括卷积操作模块和池化层。
4.按照权利要求3所述的一种适用于土方路基压实土最佳含水率快速测量方法,其特征在于:所述卷积操作模块包括依次连接的卷积层,ReLU激活函数和批量归一化层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629850.2A CN114858560B (zh) | 2022-06-06 | 2022-06-06 | 一种适用于土方路基压实土最佳含水率快速测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629850.2A CN114858560B (zh) | 2022-06-06 | 2022-06-06 | 一种适用于土方路基压实土最佳含水率快速测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114858560A CN114858560A (zh) | 2022-08-05 |
CN114858560B true CN114858560B (zh) | 2024-05-24 |
Family
ID=82624789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210629850.2A Active CN114858560B (zh) | 2022-06-06 | 2022-06-06 | 一种适用于土方路基压实土最佳含水率快速测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114858560B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190130257A (ko) * | 2018-05-14 | 2019-11-22 | 한양대학교 에리카산학협력단 | 콘크리트 시설물의 표면 이미지 및 딥 컨볼루션 신경망 알고리즘을 이용한 콘크리트 압축강도 예측 방법 및 그 시스템 |
CN111242909A (zh) * | 2020-01-07 | 2020-06-05 | 同济大学 | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 |
CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
JP2021117625A (ja) * | 2020-01-24 | 2021-08-10 | 株式会社奥村組 | 土の粒度分布の推定方法 |
-
2022
- 2022-06-06 CN CN202210629850.2A patent/CN114858560B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190130257A (ko) * | 2018-05-14 | 2019-11-22 | 한양대학교 에리카산학협력단 | 콘크리트 시설물의 표면 이미지 및 딥 컨볼루션 신경망 알고리즘을 이용한 콘크리트 압축강도 예측 방법 및 그 시스템 |
CN111242909A (zh) * | 2020-01-07 | 2020-06-05 | 同济大学 | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 |
JP2021117625A (ja) * | 2020-01-24 | 2021-08-10 | 株式会社奥村組 | 土の粒度分布の推定方法 |
CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114858560A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109470580B (zh) | 一种评价我国不同海域粘性土强度参数的方法 | |
CN110021030A (zh) | 一种岩土体材料数字图像的分割阈值确定方法 | |
CN107255637A (zh) | 一种基于激光图像的碾压混凝土密实度检测方法 | |
CN108152235A (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
CN108648764A (zh) | 基于雨水敲击声识别的雨量测量系统及其测量方法 | |
CN107154021A (zh) | 基于深层门限卷积神经网络的图像超分辨方法 | |
CN109919481A (zh) | 一种碾压混凝土压实度多参数联合实时评价方法 | |
CN115186586A (zh) | 一种基于机路协同的压实施工质量迭代反演控制系统 | |
CN114858560B (zh) | 一种适用于土方路基压实土最佳含水率快速测量方法 | |
CN110781729A (zh) | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 | |
CN113326555A (zh) | 一种基土永久变形的快速预估方法 | |
CN110006793B (zh) | 用于振动荷载下颗粒材料运动特性研究的试验装置和方法 | |
CN107462635A (zh) | 一种基于多声发射传感器信息融合的振动时效效果在线评价系统及方法 | |
CN109033503A (zh) | 一种多孔水泥混凝土单轴抗压强度试验数值模拟方法 | |
CN106022354A (zh) | 基于svm的图像mtf测量方法 | |
CN113326659A (zh) | 一种红黏土压实度快速检测方法 | |
Lee Jr et al. | An alternative test method for assessing consistency limits | |
CN107817164A (zh) | 模拟现场错动带结构和应力状态的室内真三轴试验方法 | |
CN114898343A (zh) | 基于图像识别处理的土体压实度检测方法、系统及介质 | |
CN210948653U (zh) | 一种快速评价页岩气井产能的装置 | |
CN113267612A (zh) | 土体含水率检测方法、检测系统及贯入装置 | |
CN101029935A (zh) | 地震勘探野外采集过程的控制方法 | |
CN111462039A (zh) | 一种基于matlab软件的清水混凝土外观质量评价方法 | |
CN112884739A (zh) | 一种基于深度学习网络的堆石体填筑密实度快速检测方法 | |
CN208459147U (zh) | 材料试验机加荷速率动态分析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 054001 No. 239, Jianye South Road, Qiaodong District, Xingtai City, Hebei Province Applicant after: Xingtai road and Bridge Construction Group Co.,Ltd. Address before: 054001 No. 239, Jianye South Road, Qiaodong District, Xingtai City, Hebei Province Applicant before: XINGTAI ROAD & BRIDGE CONSTRUCTION GENERAL Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |