最大密度投影（精选6篇）
最大密度投影 篇1
摘要：目的 分析高分辨率CT最大密度投影诊断慢性化脓性中耳炎听骨链病变的价值。方法 78例 (156耳) 慢性化脓性中耳炎听骨链病变患者, 患耳观察听骨链的破坏情况, 正常耳观察听骨链情况, 并进行比较。结果 MIP图像对砧骨整体、锤骨的显示率均为100.0%, 对镫骨足弓的显示率为92.6%, 但未能显示镫骨底板。胆脂瘤型中耳炎45耳, MIP图像显示42耳出现小骨骨质破坏;单纯型中耳炎19耳, MIP图像显示8耳出现听骨破坏;肉芽型中耳炎28耳, MIP显示下均未见听骨破坏。结论 分辨率CT最大密度投影诊断慢性化脓性中耳炎听骨链病变可清晰的显示出正常听骨链以及其空间结构, 结合冠状位图像和轴位情况可提高其诊断率, 值得临床重视和推广应用。
关键词：高分辨率,慢性化脓性中耳炎,听骨链病变,临床诊断
听小骨是人类听觉的重要结构, 为人体中最小的一组骨骼。在对耳部进行病变诊断时往往会对听骨进行CT检查, 这对于耳部疾病的确诊有着重要的帮助。常规的听骨病变诊断技术难以起到良好的诊断效果, 随着研究的逐渐深入医生开始将三维重建技术应用于听骨病变的诊断之中。这种诊断技术相对于传统常规的诊断方法准确率得到了明显的提高。在进行三维重建时主要采用最新的CT检查技术, 虽然操作复杂但是诊断效果较为理想。将高分辨率CT应用于对听骨病变的诊断之中, 能够显著的提高诊断的效率[1]。在本文的研究中就以高分辨率CT最大密度投影对慢性化脓性中耳炎听骨链病变进行诊断, 现报告如下。
1 资料与方法
1. 1 一般资料2003 年5 月~2015 年5 月在本院接受治疗的78 例 (156 耳) 慢性化脓性中耳炎听骨链病变患者采用高分辨率CT最大密度投影诊断。其中男45 例, 女33 例, 年龄8~56 岁, 平均年龄 (32.14±8.06) 岁。其中慢性化脓性中耳炎96 耳 ( 胆脂瘤型66 耳、肉芽肿型30 耳) 。
1. 2 方法对患者实施扫描时采用Siemens Somaton Sensation16仪器。在进行诊断时选取眶耳线作为基准线, 将准直器以及层厚均设置为0.75 mm[2]。电压120 k V, 电流120 m A, 窗位700 HU、窗宽4000 HU, 轴位图像60 帧。扫描结束后对所有正常耳和患儿进行多平面重组, 并进行重组后图像的MIP重建, Think-ness为2~3 mm, 保存最佳图像。
2 结果
2. 1 正常耳听小骨MIP表现对正常耳听小骨获取MIP图像, 对MIP表现进行观察, 锤骨及砧骨整体显示率均达到100.0%, 符合要求。而镫骨足弓显示率相对较低, 为80.0%。但是对于镫骨底板却无法清楚的显示出来。听骨链正常, 符合正常标准。听骨链处于完整状态, 长脚紧邻锤骨柄、细长, 而短脚粗短, 指向鼓窦入口。
2. 2 病变听小骨诊断结果获取病变听小骨MIP图像, 图像显示有42 耳存在小骨骨折损坏情况, 并且还有45 耳出现胆脂瘤型中耳炎。单纯型中耳炎19 耳, 肉芽型中耳炎28 耳, 有听骨破坏者8 例, MIP下无听骨破坏。对所有病变患者进行中耳和乳突手术治疗, 术中对患者进行听骨链探查, 并详细记录, 并同术前CT发生的变化情况进行对比。见表1。
3 讨论
在近几年中儿科疾病的发病率逐年上升, 已经引起了众多医学工作者的高度重视。慢性化脓性中耳炎听骨链病变是儿科疾病中较为常见的一种疾病, 对人们的正常生活和工作带来了巨大的影响。但是由于病发处较为隐秘, 在诊断过程中存在着巨大的困难。在临床诊断过程中常常误诊、漏诊极大的延误了患者疾病的治疗[3]。高分辨率CT最大密度投影是一种新的诊断技术, 在临床实践中展现出巨大的优势。这种诊断技术主要是通过对所获取到图像的密度最大像素地进行统计、计算, 利用较为先进的透视技术将所获取的信息以投影的形式构建出一个形象、生动的图像。借助于这一方法可以有效地还原图像的本质, 留取较大密度像素而剃除较小密度像素[4]。可以通过所获取的图像的最大密度对病变区域以及程度进行全面、细致的分析, 将其与正常部位图像对比得出异常病变情况。对图像进行连续层面扫描, 并做最大密度的投影。通过该技术可以得到三维立体图像, 便于对患者病变情况进行观察。
高分辨率CT最大密度投影所获得的图像不易受到各种外在因素的影响, 可以对听骨链破坏情况进行以三维图像的形式再现。对于异常软组织以及鼓室壁骨质改变状况的显示效果较好, 不易受到附近软组织的影响。相对于传统的诊断技术高分辨率CT最大密度投影具有更多明显的优势, 为患者疾病的诊断提供了新的契机。听小骨周围存在着大量的软组织, 传统常规的诊断技术无法有效地排除这些软组织的感染, 疾病诊断的准确性较低。而高分辨率CT最大密度投影技术则可以对听小骨软组织的破坏程度以及所破坏的区域进行准确的检查, 通过重建技术还原患者听骨区域的病变情况[5]。在临床诊断中借助这一技术实现对某单一听骨进行显示。通过高分辨率CT最大密度投影所获取的图像对听骨的形态、大小以及相互之间的关系准确、清楚的显示出来, 对于病情分析和评定有着重要帮助。这一技术通常被用于术前的诊断之中, 可以对患者病情清楚的了解。以便更好地制定手术方案, 减少手术过程中存在的风险。
综上所述, 应用高分辨率CT最大密度投影对慢性化脓性中耳炎听骨链病变是一种简单易行的方式, 且有效提高诊断率, 值得临床重视和推广应用。
参考文献
[1]郑雅丽, 于子龙, 李永新, 等.中耳炎伴迷路瘘管手术后效果分析.中国耳鼻咽喉头颈外科, 2013, 20 (5) :244-246.
[2]郭勇, 逯巧慧, 刘阳, 等.CT三维容积重建评价慢性化脓性中耳炎听骨链破坏的价值.中国医学影像学杂志, 2013, 21 (7) :508-511.
[3]吴旋, 祝园平, 陈锡辉, 等.高分辨率CT对慢性化脓性中耳炎术前病变评估及术式选择的临床价值.中山大学学报 (医学科学版) , 2013, 34 (5) :799-805.
[4]赵东旭, 牛玉军, 盛玉杰, 等.多层螺旋CT三维成像对慢性中耳乳突炎的诊断价值研究.解放军医学院学报, 2014, 35 (1) :56-59.
[5]王治国, 王彩红.多层螺旋CT多平面重组对胆脂瘤型中耳炎的诊断优势.临床和实验医学杂志, 2013, 12 (15) :1242-1243.
最大类间相斥的局部鉴别投影 篇2
在互联网金融高速发展的形势下,要鉴别远程操作者是否是人,是哪个人? 成为了一个亟待解决的问题。 人脸,作为生物特征之一,为这一问题提供新的解决思路。人脸识别中的重点和难点是对人的面部信息进行有效的特征抽取。 人脸图像是一种高维数据,直接处理海量的高维大数据会带来复杂的计算和系统的不稳定。 在尽量保持数据信息完整的前提下,把数据投影到一个合适的子空间中,以满足数据存储与算法的需要,成为生物识别技术研究中的热点。
经典的线性子空间投影的方法主要包含主成分分析(Principle Component Analysis, PCA)以及线性鉴别分析(Linear Discriminant Analysis, LDA)。PCA是基于主分量方向上映射,根据均方误差最小原则的,生成不相关的正交向量。 PCA算法简单方便,Matthew Turk等人最先将PCA应用于人脸识别, 并提出了Eigenface概念。这种方法是一种无监督的人脸特征抽取方法,没有用到人脸图像的类别信息。 LDA算法通过引入标签信息,使投影后样本的类内离散度最小、类间离散度最大,从而生成最佳可分的子空间。 Peter等人最先采用PCA算法解决了类内离散度矩阵奇异的问题, 结合LDA提出了Fisherfaces算法应用于人脸识别,取得比PCA算法更优的分类效果。
2000 年,Seung等人在 《Science》上发表的文章把研究者的目光吸引到流形学习(Manifold Learning)领域。 人脸被认为是一种由某些内在变量控制形成的非线性流形结构,更能体现现实中数据的本质,因此在人脸识别领域效果更优。 Tenenbaum等人基于多维尺度变换(MDS), 提出了等度规映射(Isometric Mapping,ISOMAP)算法。该算法通过保持样本点的内在局部几何结构, 在降维的过程中保持样本间的测地距离不变。Sam等人提出的局部线性嵌入(Locality LinearEmbedding, LLE)算法。 在局部意义下,降维后的数据的结构是线性的,即是说局部意义下的样本点在一个超平面上。 因此任意样本点都可以通过邻域内样本点的线性加权表示得到,并在降维时保留权值不变,得到最小重构误差。 Belkin等人提出的Laplacian特征映射(Laplacian Eigenmap, LE)有着很直观的维数约简目标,即在高维空间中临近的样本点在低维度投影子空间中的样本也是邻近的。 为了提高对训练样本以外的样本求取低维的投影向量,He对LE进行线性化扩展为局部保持投影(Locality Preserving Projection, LPP)以及对LLE的线性化扩展为邻域保持嵌入(Neighborhood PreservingEmbedding, NPE), 从而解决了非线性方法难以获得新样本点低维投影的缺点。 对于上述算法,都可以在图嵌入框架下进行表示,通过图嵌入框架的应用还可以设计出新的降维算法。
LPP算法中需要把2D人脸图像1D向量, 导致转换后图像维度很高, 破坏了图像原有空间结构。 Niu等人提出的二维局部保持投影(2DLPP)算法直接对2D图像进行运算,得到了更加易于求解的特征矩阵。Cai等人提出了正交局部保持投影方法(OLPP),在求解过程中增加了正交约束条件,与LPP算法相比,具有更好的局部保持效果。
针对LPP算法没有有效地使用样本标签信息,大量的半监督以及监督算法被提出。 Zhao等人采用了局部类别信息构造权重矩阵, 提出了一种有监督的局部结构鉴别投影(LSDP)。 该算法能够保持局部结构的情况下使邻域内的同类样本靠近,异类样本远离,但未能充分利用全局类别信息,导致有利于分类信息的丢失。 本文算法通过线性判别分析的加权类间离散度矩阵, 来描述样本的全局类间信息。 通过最大程度地使得异类间中心相互远离来带动异类间样本的整体分散。 最终得到保持了内在流形信息又使样本类间的距离最大化的线性投影矩阵。
2 线性判别分析
不同于无监督的PCA算法,LDA算法通过引入标签信息, 从而达到使投影后样本的类内离散度最小、类间离散度最大。 通过最大化Fisher准则函数,生成具有最佳可分性的子空间投影。
对于训练样本N个D维样本{x1,x2,…,xN}∈RD,类Ck的个数为Nk(k = 1,2,…,c)。
则样本的总体均值向量为:
其中mk为每类样本的均值向量,表示为,
样本的类内离散度矩阵:
样本的类间离散度矩阵:
同时,待求的空间投影矩阵W∈RD×d,通过投影y =ATx,得到投影后的d维样本{y1,y2,…,yN}∈RD。
投影后总样本均值向量:
投影后类内离散度矩阵:
投影之后类间离散度矩阵:
Fisher准则函数: 能够使降维后样本具有最大的类间距离与类内距离之比:
通过对JF(A)对变量A进行求导,并使为零。
则:
令JF(W)≡λ,则
若Sw非奇异,Sw-1Sb的d个最大特征值 λ1≥λ2≥…≥λd对应的特征向量{a1, a2, … , ad} 作为最佳投影方向A。
3 局部鉴别投影
基于在高维空间中临近的样本点,在低维度投影子空间中的样本也应该相邻。 为了提高LE算法的泛化学习能力,He等人将LE方法中从原始高维空间到低维空间的映射看拓展为线性映射,即y = ATx,提出了局部保持投影算法(LPP)。 该算法的本质是拉普拉斯特征映射的线性逼近。
LPP算法首先需要建立一个图G=(V,E,W)来描述个样本点之间的近邻关系。 其中V表示图中的一个样本结点,E表示两个结点间相连接的一条边,W表示权值矩阵。 然后通过图G的权值矩阵表示流形的局部机构,数据降维的过程中引入了一个目标函数,具体步骤如下:
Step1:创建邻接图
如果样本结点xi和xj是近邻关系, 那么xi和xj之间则有一条边,判断近邻关系的两种方法如下:
a) ε- 近邻:如果结点xi和xj满足,那么xi和xj是近邻的,否则不是近邻。
b) k- 近邻: 如果结点xi是结点xj的k个最近邻的结点之一,表示为xi∈Njk;或者结点xj是结点xi的k个最近邻的结点之一, 表示为xj∈Nik。 那么xi和xj近邻,否则不是近邻。
Step2:确定权重
a)热核方法:
b) 0-1 原则
Step3:最小化如下目标函数:
将式(14)展开可得:
其中,L=D-W为Laplacian矩阵。 D为一对角矩阵,表示样本点的自然尺度,即Dii越大,表示对于的yi越重要,因此有下面约束:
最小化如下目标函数改为:
Step4:完成映射.
由拉格朗日乘子法,最小化目标函数式(17)等价于求解下式广义特征方程:
求解前d个最小非零特征值 λ1≥λ2≥…≥λd对应的特征向量为{a1, a2, …, ad}。
4 最大类间相斥的局部鉴别投影
局部保持投影未能有效的利用样本的判别信息,属于无监督的降维算法。 而判别信息对于人脸图像识别精度的提升来说至关重要。 为了在保持流形局部结构的同时引入类别信息,局部鉴别投影对权重矩阵进行了重新构造。
其中,表示两个样本点的欧式距离,β 表示控制参数。
改进的权值矩阵式(9)引入了类别信息,实现了有监督的鉴别投影。 可以看出,当样本属于同一类别时,权重值大于LPP时的权值;当样本属于不同类别时,权重值小于LPP时的权值。 通过上述权值的改变,使投影后的相同类别邻域样本点聚集, 不同类别的样本点远离。当dij相同时,同类的权值大于不同类的权值,表明同类的样本获得更大的相似性。 同时,仅对权值进行了优化,没有破坏样本的邻域选择,从而保持局部流形结构。
但局部鉴别投影仅考虑了样本k邻域内类别信息,也即是局部类别信息; 未能充分利用全局类别信息,导致有利于分类信息的丢失。 本文算法引入加权类间散度矩阵,通过最大程度地使得异类间中心相互远离来带动异类间样本的整体分散。
样本的总体加权均值向量为
每类的加权均值
其中,Dii为局部鉴别投影中所求的的对角矩阵。 此类样本均值不同于线性判别分析直接求得样本均值,本文算法考虑到了不同样本点间的权重关系,对于图中拉普拉斯对角矩阵值越大(即Dii值越大)的点赋予了一个相应较大的权重值。
投影之前类内离散度矩阵:
投影之后类内离散度矩阵:
需要满足式(24)的优化条件。
目标函数为最小化类内离散度矩阵Sw与类间离散度矩阵Sb之比。 然而比值的形式常使算法在求解中遭遇到小样本问题的困扰。 因为本文采用了与线性鉴别分析类似的加权类间离散度矩阵, 其秩小于c-1。 若采用PCA算法先对样本矩阵进行降维到c-1 维,会导致大部分有用的分类信息流失。 为克服小样本问题的困扰,我们的目标函数为最小化相似散布矩阵和差异散布矩阵之差的形式。 其描述如下:
通过式(25)引入拉格朗日乘子,使J(A)对A求偏导,并使之为零,得:
由此可知最优映射矩阵A由矩阵的前d个最小的非零特征值 λ1≤λ2≤…≤λd对应的特征向量组成{a1, a2, …, ad}。
MRLDP算法总体步骤描述如下:
Step1:采用k- 近邻准则,创建邻接图
Step2:确定权重Wij以及加权的类间离散度矩阵
Step3:求解矩阵的d个最小特征相对的特征向量{a1, a2, …, ad}组成投影矩阵A
Step4:完成样本投影y = ATx
Step5:利用欧式距离进行分类实验
4 实验结果及分析
通过在ORL人脸库与Yale人脸库上实验,对比经典的算法PCA、LDA、LPP、LDP;来评价本文提出的算法MRLDP。 实验环境:CPU主频为1.80GHz,双核四线程;操作系统Windows8.1; 算法通过Visual Studio 2010 以及Opencv244 库实现。
4.1 ORL库上的实验结果
ORL人脸库由40 人的人脸图像组成,每人包含10幅图像。 其中,图像的特点包括不同时期、不同表情、不同姿态与不同面部细节,同时包含平面内或垂直平面的不超过20°的偏转以及不超过10%的尺度改变。 每幅图像为灰度级256 的112×92 灰度图像。 首先对图像进行预处理, 将图像剪辑、 归一化成为32×22 的灰度图像。 从每个人的图片中随机抽取L(L=2,3,…,5)张图片作训练样本,剩下的10-L张图片用作测试样本。
从表1 可以看出:
(1)随着学习样本数目的增加,所有的算法的识别精度都得到了提升。 这表明训练样本信息直接影响着算法的识别精度,更丰富的已知样本信息才能得到更佳的投影矩阵。
(2)基于流形学习的特征抽取方法(如LPP)的最高识别精度比传统的特征抽取方法(如PCA)取得了更好的效果。 这主要是由于人脸图像受光线、表情等变化的影响,导致人脸图像是非线性不可分;因而,保存的全局欧氏距离的PCA算法难以有效地表示图像空间的内在流形结构。 而基于流形学习的特征抽取算法能够探索数据内部的本质结构,并在降维过程中保持数据的本质结构。 通过局部k- 邻域有效地保存了隐藏在图像空间内的局部结构,从而反映了图像空间分布的内在属性。
(3)有监督的特征抽取方法(如LDA)总体上要比无监督方法(如PCA)更优。 主要是由于自然获取的图像或多或少受到外在变化的影响,从而导致姿态、光照的变化。 使得无监督特征抽取方法所保存的局部属性难以有效地区分不同类别的人脸图像。 相反, 由于监督特征抽取方法考虑到了图像的类别信息,从而尽量的避免了这个缺点。 在同类人脸变化不大的ORL数据库中,流形算法LPP与有监督的算法LDA取得了相近的效果。
(4)MRLDP优于其他算法;因为MRLDP既考虑了流形结构,又加入了类别信息。 同时,克服了LDP算法仅考虑了样本k邻域内类别信息, 也即是局部类别信息;未能充分利用全局类别信息的缺点,通过最大程度地使得异类间中心相互远离来带动异类间样本的整体分散。 最终得到更具有区分性的投影向量。
从图1 可以看出,算法识别效果随着特征维数的增加而增加。 因为有监督的算法抽取的是有利于分类的投影矩阵;有监督的算法(如LDA,LDP)能够利用较少的特征维数得到较好的识别效果。 基于流形结构的算(LPP)优于仅考虑全局最优的算法(PCA);在维数较低时效果稍逊有监督的算法LDA;但随着样本的增加,最终取得了优于LDA的效果。 本文算法(MRLDP)同时考了到了流形结构与类别标签信息。 结合局部类别信息与全局类别信息,得到更了更好的识别效果。
4.2 Yale库上的实验结果
通过Yale数据库进行对比实验可以进一步验证本文算法的有效性。 作为人脸识别研究过程中常用的数据库之一,Yale人脸库由15 个人组成,每人含有三种不同光照方向、六种表情变化的11 幅灰度人脸图像。 这些图像光照条件变化比较大,而且面部表情(正常、悲伤、愉快、惊讶、困乏与眨眼)和脸部细节也有较为明显的改变。每张图片对面部图像进行剪裁,并归一化为32×32。
从每个人的图片中随机抽取L(L=3,4,…,6)张图像用于训练,余下的10-L张图片用作测试。 由于参数选取问题至今为止仍然不能从理论上给出最佳参考,所以通过实验对参数进行调节,采用识别效果最佳时的参数值。 同时通过随机交叉验证,保证实验的客观性。
文中所列的方法在Yale库上的精度比较低,这是因为Yale库的图像受光照、姿态、表情变化的干扰较大。 由于LDA没有考虑局部流形结够, 识别精度低于LPP和LDP,而LDP方法没有考虑全局类别信息,识别精度低于本文算法。
5 结束语
最大密度投影 篇3
沥青混合料理论最大相对密度γt是以压实沥青混合料试件全部为矿料 (包括矿料自身内部的孔隙) 及沥青所占有时 (空隙率为零) 的最大密度对水的密度的比值。沥青混合料理论最大相对密度在混合料设计中用于分析压实混合料的体积参数, 如空隙率、矿料间隙率和沥青饱和度, 同时在路况调查、路面施工质量管理计算空隙率、压实度, 因此该指标准确与否, 不仅关系着配合比设计结果, 也影响着施工质量管理和评价。理论最大相对密度具体影响如下:
(1) 导致计算的空隙率、骨架间隙率和沥青饱和度不准确, 从而使经过沥青混合料配合比设计后的沥青混合料的失稳或者耐久性不足。
(2) 导致沥青用量不准确, 偏小或偏大, 引起沥青路面的早期水损害。
(3) 导致施工过程中离析, 会产生脆弱的沥青混合料。
2 沥青混合料理论最大相对密度试验研究
本文对JTG E20-2011《公路工程沥青及沥青混合料试验规程》中的T0711-2011沥青混合料理论最大相对密度试验 (真空法) 进行了试验研究和探讨。由于T0711-2011试验的过程主要是确定出沥青混合料的最小体积, 接下来的探讨主要围绕如何确保使沥青混合料的体积为最小展开的。
2.1 原材料
(1) 沥青。试验所用的新立基70号A级道路石油沥青三性指标, 其技术指标如表1:
(2) 集料。集料技术指标如表2:
2.2 沥青混合料的老化时间对沥青混合料理论最大相对密度的影响
当集料和沥青经过60s的搅拌混合后, 部分沥青会被填充进集料的开口孔隙里面, 在不同老化时间下, 到底有多少沥青填充进了集料的开孔孔隙是很难确定的。实际生产中, 从混合料拌制出来到摊铺, 最后压实完成, 一般需要2~4h。为筛孔尺寸/mm了尽可能地模拟实际情况, 沥青混合料设计过程中沥青混合料理论最大相对密度的测试, 也应该有一定程度的老化。本文采用不同油石比对变异花岗岩进行了不同时间的老化 (150℃) , 然后用T0711-2011沥青混合料理论最大相对密度试验 (真空法, 采用A类容器, 以下同) 进行测试, 结果如表4、表5。
从表4、表5可以看出在老化前期, 集料孔隙吸收的沥青结合料的量随老化时间的延长而加速增加。老化后期 (一般4h后) , 吸入量趋于稳定, 几乎不再增长。
根据JTG F40-2004对沥青混合料理论最大相对密度进行理论计算, 得表6:
从图1可以看出沥青混合料老化4h后, 集料已充分吸收沥青结合料, 此时实测的理论最大相对密度与计算法的值是相符的。
2.3 细集料分散对沥青混合料理论最大相对密度的影响
真空法借助抽真空使开口孔隙中的空气排出来, 同时让水进入, 应该说, 开口孔隙愈少, 测定的结果愈准确, 反之, 则愈不准确。因此, JTG E20-2011《公路工程沥青及沥青混合料试验规程》规定将沥青混合料团块仔细分散, 粗集料不破碎, 细集料团块分散到小于6.4mm。试验中, 沥青混合料的按规定分散与否, 会对结果造成什么影响?本次试验针对这一因素, 拌制不同油石比沥青混合料进行试验, 详见表7:
由表7可知, 当细集料分散时, 3组油石比的沥青混合料的平行误差均不大于0.011;当细集料不分散时, 3组油石比的沥青混合料的平行误差均大于0.011。所以在采用真空法实测最大理论相对密度时, 细集料一定要分散到试验规程要求的程度。具体如下:将待分散的沥青混合料放到干净铁板上, 用铲子翻动、散开, 冷却到60℃左右, 戴胶皮手套, 把结团的混合料搓开, 直至细集料团块分散到小于6.4mm。
2.4 真空时间对沥青混合料理论最大相对密度的影响
T0711-2011沥青混合料理论最大相对密度试验 (真空法) 中规定在2min内达到3.7k Pa±0.3k Pa时, 开始计时, 并同时开动振动装置和抽真空, 持续15min±2min。那么, 当真空时间变长又会对试验结果造成什么影响?
由表8及图2, 在抽真空10min、15min后, 混合料中的开口孔隙基本不变化, 测量的理论最大相对密度值很稳定, 但是当真空时间达到1210min后, 测量的理论最大相对密度急剧增大。因为抽真空的时间达到一定程度时, 将把裹附值集料沥青膜后的空气抽出, 导致沥青膜被破坏, 并使水进入到沥青膜内, 从而使沥青混合料排出的水的体积变小, 那么, 在相同质量的情况下, 得出的密度将增大。一般来说, 能排除空气气泡的最短时间是最佳的, 所以, JTG E20-2011《公路工程沥青及沥青混合料试验规程》规定真空状态下测量理论最大相对密度值的试验时间为15min±2min是能达到预期的效果。
3 结论
(1) 采用真空法测试理论最大相对密度要进行一定的时间的老化, 一般以4h为宜, 测的理论最大相对密度值也是比较适宜的。
(2) 采用真空法测试理论最大相对密度时, 必须对细集料仔细分散, 才能保证试验结果的准确性。
(3) 对普通道路石油沥青混合料进行真空法测理论最大相对密度时, 真空时间15min±2min是能达到预期效果的。
摘要：真空法测试沥青混合料的理论最大相对密度是一种较准确的方法。在多年工作实践经验的基础上, 尝试对于沥青混合料搅拌后保温老化时间长短的影响、对热沥青混合料中细集料是否分散到小于6.4mm及真空时间长短这三方面进行分析比较。
关键词：理论最大相对密度,真空法,沥青混合料老化,细集料分散,真空时间
参考文献
[1]JTG E20-2011公路工程沥青及沥青混合料试验规程[S].
最大密度投影 篇4
1.1原材料
水泥。规格为:P·O42.5。在第3天的强度为29.0MPa,抗折强度为5.7MPa。第8天的强度为50.2MPa,抗折强度为8.5MPa。
粉煤灰。级别:Ⅱ级。细度、需水量比、烧失量分别为(18.9%、98%、0.92%)。
再生粗骨料(RCA)。委托某水泥公司对经过抗压强度检测破型后的混凝土试块进行加工。采用两个单粒级再生粗骨料。分别是:16-31.5mm,5-20mm。然后,根据相关的检测标准,进行检测。
1.2试验方法
本文根据再生粗骨料在最紧密堆积状态时,产生的最大堆积密度来对连续级配再生粗骨料的级配进行评价,判断其质量的优良。其次,采用连续级配再生粗骨料的吸水率对连续级配再生粗骨料的优良进行评价。该指标处于次要地位。然后,在混凝土制备中,采用堆积密度不同的连续级配再生粗骨料。本组配置了6组不同的连续级配再生骨料。16.0-31.5mm、5.0-20.0mm两种再生骨料的混合质量比分别是:8.0:2.0,7.5:2.5,7.0:3.0,6.0:3.5,6.0:4.0,5.0:5.0。在测量连续级配再生粗骨料的最紧堆积密度时,采用20L的容量筒。同时,再测试出粗骨料的吸水率。
2实验结果分析与讨论
2.1连续级配再生粗骨料物理性能
结果显示,当2种单粒级再生粗骨料混合质量比降低后,连续级配再生粗骨料最大堆积密度上升,并逐渐下降。可以看出,粗骨料级配在调整的过程中,降低了其堆积空隙率,以此来优化级配。其次,5.0-20.0mm再生粗骨料增加后,使孔隙率越来越大,降低了粗骨料级配的质量。当5.0-20.0mm再生粗骨料与16.0-31.5mm再生粗骨料的质量比为7:3时,将二者进行混合。此时,连续级配再生粗骨料达到最紧密堆积状态。最大堆积密度为1423kg/m³。再生粗骨料在加工的过程中,与大粒径骨料相比,小粒径骨料的损伤程度更大。同时,小粒径粗骨料吸水率强,能够吸附大量砂浆。在这种情况下,当上面的两种单粒连续级配粗骨料混合质量比降低后,就会使连续级配再生粗骨料的吸水率增加,然后呈现出降低的趋势。最后,5.0-20.0mm单粒再生粗骨料的吸水率比16.0-31.5mm的吸水率小。主要原因是:在使用摇筛机时,除去不足5mm的颗粒,其他颗粒通过相互碰撞,导致部分砂浆颗粒脱离。这样,就会对再生粗骨料产生强化,最终提高品质。
2.2连续级配再生粗骨料晒分析
从不同连续级配再生粗骨料晒分析曲线图中可以看出,当5.0-20.0mm单粒级再生粗骨料与16.0-31.5mm的质量混合比为3:7时,此时筛分曲线基本重合,表示级配较为良好。同时,也证明了利用最大密度对再生粗骨料的级配进行评价,进而判断出质量的优良,该办法是比较合理、科学的。如图1所示:
2.3连续级配再生骨料混凝土工作性
根据连续级配再生骨料新拌混凝土坍落度图可以看出,混凝土的坍落度首先增加,然后慢慢降低。这与相关研究结果也是一致的。对级配进行分析,发现当5.0-20.0mm再生粗骨料与16.0-31.5mm再生粗骨料混合质量比下降后,可以降低空隙率,进而使级配达到优化。在这种情况下,就会减少填充空隙的砂浆,从而改善再生粗骨料的包裹性,最终提高新拌再生骨料混凝土的工作性。研究表明,新拌混凝土粗骨料的砂浆粘度、屈服应力的大小,受到混凝土流变特性的影响。保持砂浆量不变,当粗骨料的摩擦角与空隙率增大后,就会使新拌混凝土的砂浆粘度、屈服应力增大。
2.4连续级配再生骨料混凝土的强度
混凝土由骨料组成,在评价其强度的过程中,可以根据骨料的好坏来判断。结果显示,保持其他参数不变的情况下,再生粗骨料的级配能够对混凝土抗压强度产生一定的影响。当混合质量比为8:2时,混凝土的抗压强度最低。另外,如果混凝土拌合物的粘聚性比较差时,在振捣的过程中,就会出现分层、离析的现象。这样,不仅会破坏内部成分的均匀度,而且还会降低混凝土的抗压强度。但是,在实际应用的过程中,如果不能增加减水剂与水泥浆用量,那么可以采用提高用水量的办法,减小混凝土的流动性,以此来避免坍落。
结束语
综上所述,在混凝土生产的过程中,当再生粗骨料级配达到最紧密堆积状态时,堆积的密度最大。此时,可以提高骨料新拌混凝土的工作性与混凝土强度。具体来讲,当16.0-31.5mm再生粗骨料与5.0-20.0mm再生粗骨料的混合质量比为7:3时,可以达到最大堆积密度。此时,再生骨料混凝土的质量比其他混合质量的流动性更加,并且改善了混凝土的抗压强度。
参考文献
[1]杨医博.全再生细骨料的制备及其对混凝土性能影响的试验研究[J].功能材料,2016,(20).
[2]王光炎.再生骨料颗粒整形对其性能的改善研究[J].山西建筑,2013,(05).
[3]肖建庄.再生骨料级配对混凝土抗压强度的影响[J].四川大学学报(工程科学版),2014,(15).
最大密度投影 篇5
关键词：沥青混合料理论最大相对密度仪,真空度,标准方法
一、概述
沥青混合料理论最大相对密度仪仅供沥青混合料配合比设计、路况调查或路面施工质量管理时计算孔隙率、压实度等使用。其主要结构示意图如图1所示。
其是将一定质量的松散沥青混合料放入负压容器中并加水浸泡,通过真空负压装置使负压容器内负压达到规定要求,并在恒定压力下抽真空持续一定时间,使沥青混合料中的空气充气排出,并每隔一定时间进行振荡,加速空气气泡的排出,最终通过后续试验测定沥青混合料的理论最大相对密度。
沥青混合料理论最大相对密度直接影响配合比设计标准值,直接影响配合比设计结果。在沥青路面压实度的检验中,有时也需要理论最大相对密度。所以理论最大相对密度又影响施工质量管理和评价,直接影响路面质量。该类仪器试验方法中对抽真空及保持时间有较高要求,因此使用单位需要对该仪器上的真空表或者绝压数字表进行定期校准,以保证该仪器的实验数据准确可靠。
二、几种校准方法比较
沥青混合料理论最大相对密度仪通过内置的真空泵对负压容器进行抽气,该仪器计量性能要求中对负压容器的真空度在2min内达到并稳定在(3.7±0.3)k Pa,真空表量程为(0~100)k Pa,分度值不大于5k Pa,示值误差不大于2.5k Pa。
沥青混合料理论最大相对密度仪上一般安装一块普通真空表作为指示作用,安装一块绝压数字压力计作为负压容器内真空度测量使用,因此若对密度仪真空度校准就是对绝压数字压力计进行校准。若要对沥青混合料理论最大相对密度仪内的绝压数字压力计进行校准有四种方法,分别介绍如下。
第一,最简单的校准方法是将仪器里的绝压传感器拆下,与压力标准器连接在一起,利用抽气泵抽真空,经过比对得到校准结果,这种方法虽然简单,但是对密度仪进行拆卸会影响仪器的密封性,且校准效率低,该种方法的工作强度大,不适宜推广。
第二,通过对密度仪的结构研究,可以将标准的绝压数字压力计通过一个三通与排气口连接,三通的另一个口连接一个阀门,校准结束后排气使用。这种方法比较实用于标准器不方便放置于负压容器中;或者标准器是带线连接显示装置,装入负压容器中无法保证容器密封的情况。连接方式如图2所示。
第三,如果标准器体积较小,方便放入负压容器中,不影响容器的密封性,而且可以清晰看到显示的数值,可以选择将标准器放入两负压容器中一个,打开密度仪抽气,待真空度抽至需要校准的点并稳定后,关闭真空泵,比对校准数据。
第四,传统的方式一般采用接口连接方式或者有线数据测量传输,其技术处理和量值溯源已非常成熟。随着科技的发展,出现了一种无线压力模块,使用在制药、医疗卫生、食品计量等领域,可以选配温湿度传感器进行温湿度的测量。在使用该无线压力模块进行日常工作中发现,该模块还可以拓展使用在其他的校准领域。该模块操作简单,无线测量,可实现数据记忆及处理一体化操作。该模块体积小,可以放入测量容器内部,采用不锈钢做外壳,耐腐蚀性强,使用无线压力模块对密度仪进行校准时,需要提前设置好模块参数,放入负压容器内,进行校准过程,待校准结束后取出模块,和电脑连接后读取模块内的数据进行比较。近段时间出现了可以随时无线传输数据的无线压力模块,若使用该种模块可以在校准过程中进行数据的读取,提高校准效率。
四种校准方法的优缺点比较如下:拆卸传感器的优点是原理简单,缺点是效率低,影响仪器密封性;外接标准器优点是对标准器大小无要求,缺点是需要外接三通连接标准器和排气阀;内置标准器优点是操作简单,可直接读数,缺点是需要标准器较小,可放进负压容器内;无线压力模块的优点是操作简单,体积小,缺点是成本高,需要取出后再读数。
三、实验结果分析
在对沥青混合料理论最大相对密度仪进行校准时,使用较多的校准方法是后面三种。在实验室条件下,选择一台无锡市华南实验仪器有限公司生产的型号为HLM-3S的密度仪使用上述的后三种方法进行校准时,分别选用德鲁克型号为DPI615主机外接型号为PDCR2200的绝压模块,量程为(0~350)k Pa,准确度等级为0.025级;康斯特型号为Const273的数字压力表,量程为(0~250)k Pa,准确度等级为0.05级;TMI公司生产的无线压力模块,压力测量范围30mbar~15bar(3k Pa~1.5MPa),准确度等级为0.05级。校准时将DPI615的外接模块连接在排气阀,康斯特的数字压力表放置在其中一个负压容器中,无线模块放置在另一个负压容器中,同时进行校准工作。由于德鲁克的数字压力校验仪准确度等级最高,因此以它的结果作为标准值,选择六个校准点,待工作结束后记录校准结果,计算各校准点的平均值,并进行数据对比,以下数据排序均为DPI615外接模块的数据为、康斯特数字压力表、无线压力模块、沥青混合料理论最大相对密度仪,校准点为100k Pa时,得出的数据为:100、100.02、100.04、99.7;校准点为80k Pa时得出的数据为:80、80.04、80.03、79.6;校准点为60k Pa时得出的数据为60、60.06、60.05、59.8;校准点为40k Pa时得出的数据为40、40.07、40.08、39.6;校准点为20k Pa时得出的数据为20、20.08、20.09、19.8;校准点为3.7k Pa时得出的数据为3.7、3.79、3.82、3.9。
四、结语
以上几种方法都可以对密度仪的真空度进行校准工作,校准结果准确可信。从校准效率和是否易于推广的角度来讲,利用可放入负压容器的绝压数字压力表进行真空度的校准工作操作最为简单,推广起来最为容易,校准结果符合要求。
参考文献
[1]冯建刚.沥青混合料理论最大密度不同测定方法的比较[J].山西交通科技,2005,S2
最大密度投影 篇6
本研究以闸水位为例,结合信息熵和最大熵原理的思想, 侧重寻找一种与样本数据拟合精度较高,且能够反映出其分布特点的概率密度函数研究方法,旨在为水工结构规范修订和水闸可靠度设计做一些基础研究工作和提供科学依据。
1信息熵和最大熵原理
1.1信息熵
1948年,美国电气工程 师香农 (Shannan C.E.)在研究信 息的不确定性时,把通讯过程中信源讯号的平均信息量称为信息熵。如果把一个离散信源表示为:
当随机变量X取值xi的先验概率为pi(i=1,2,3,…,n)时, 则:
定义随机不确定性的测度:
为熵,为便于运算,取其为:
对于连续信源,若设x的分布以概率密度函数p(x),则连续函数x的熵表达式为:
1.2最大熵原理
1957年,Jaynes提出一个 统计推理 准则———最大熵原 理[7,8,9],即根据部分信息进行推理时,当已知信 息的熵为 最大时,该组概率分配是唯一 的无偏分 配。在数据不 充分的情 况下,采用最大熵原理确定随机变量概率密度函数的思想是:在只有已知部分数据的情况下,选择熵最大的解就意味着对未知部分作最少的假设,由此确定的解是最不带倾向性的体分布形式及参数[5]。
最大熵原理可表示为:
式中:x代表可观测的函数值;μ代表相应的均值。
1.3闸水位概率密度函数的确定
(1)闸水位概率密度函数模型的确定。根据最大熵原理的思想,建立闸水位概率密度函数模型:
约束条件为:
式中:p(x)为闸水位概率密度函数;R为积分空间;n为所用矩的阶数;mi为第i阶原点矩,其值可由样本数据计算出来。
采用拉格朗日乘子法解决该等式约束条件下多变量函数的寻优问题。设拉格朗 日函数为L,拉格朗日 乘子为λ0,λ1, …,λm,对于等式约束的极值问题式(11)、(12)、(13)就有:
得:
这就是闸水位最大熵概率密度函数的解析形式。
(2)算法实现。将式(12)~(15)进行微分处理,得到:
为了便于建立优化函数表达式,令:
式中:ri为每项的残差。
利用非线性规划求R的最小值。当R<ε或所有的|ri|<ε 时即认为式(17)收敛,从而求解出λ1,λ2,…,λm和λ0。这样就求出了全部的待估计的分布参数,代入式(15)即可求出随机变量概率密度函数的解析表达式。
2算例
巴盟永济第2节制闸最早于1965年修建,运行多年后,于2004年重建,为整体开放式水闸。闸室共2孔,每孔设1扇铸铁闸门,每扇闸门 配一手电2用螺旋式 启闭机。闸门尺寸 为2.5m×3.0m,自重3.25t;启闭机重0.5t。闸室底板顺水流方向长7.5m,底板厚0.8m,中墩厚1.0m。闸墩上游侧布置机架桥及启闭机房 (24 m2),下游侧布 置交通桥,桥面净宽 为4.5m,汽-10标准。闸室上下游两岸与渠道连接段为悬臂式钢筋混凝土圆弧翼墙。地基允许承载力为140kPa,土层凝聚力为15kPa,地基土内摩擦角为25°。
根据文献[10]提供的统计资料,对该闸1995-2001年上游水位资料进行分析,采用上述最大熵方法分析闸水位熵概率密度函数,并结合统计直方图,对其匹配情况作一些比较,得到结果(见图1)。与其相对应的熵概率密度函数的解析表达式为:
若采用传统的假设检验法(以K-S法为例)研究该随机变量概型,发现它对正态分布不拒绝,则对应的正态概率密度函数的解析表达式为:
利用闸水位的熵概率密度函数计算出水位的均值及方差, 将其代入极限状态方程,利用规范介绍的JC分析闸室的抗滑稳定可靠性。选择闸上设计水位为2.6m,闸下无水的工况,得到闸室的失效概率为3.605 5×10-3。
可见,利用最大熵原理确定随机变量概率密度函数是可行的,从理论上说,它更能代表母本本身的分布规律和特点。
3结论