1 上海交通大学海洋工程国家重点实验室，上海 200240
2 上海市公共建筑和基础设施数字化运维重点实验室，上海交通大学船舶海洋与建筑工程学院，上海 200240
开裂玻璃层残余作用是评估夹层玻璃开裂后性能的重要指标，玻璃裂纹形态对其有显著影响。对于夹层玻璃广泛使用的物理钢化玻璃，其裂纹形态受玻璃表面应力、厚度、开裂位置等因素影响，目前缺乏其形态表征相关研究。首先对 81组物理钢化玻璃进行碎裂试验，围绕碎片面积、周长、圆度、分布密度等形态及空间分布指标进行统计分析，明确在表面应力60~105 MPa、厚度6~12 mm和3种开裂位置条件下的裂纹形态和碎片空间分布变化规律。随后，基于控制碎片全局密度和最近邻距离原则，提出了一种新的碎片形心布设方法，并结合Voronoi形态方法对物理钢化玻璃的裂纹形态进行表征。通过与试验结果比较验证，所提出的裂纹形态表征方法具有较高的重构精度。
钢化玻璃 半钢化玻璃 裂纹形态 Voronoi形态 表面应力 fully tempered glass heat strengthened glass fracture morphology Voronoi tessellation surface compressive stress
孟嫣然 1,2,3王星尔 1,2,3,4杨健 1,2,3,*徐涵 1,2,3岳峰 1,2
1 上海交通大学 船舶海洋与建筑工程学院, 上海 200240
2 上海交通大学 海洋工程国家重点实验室, 上海 200240
3 上海市公共建筑和基础设施数字化运维重点实验室, 上海 200240
4 宁波大学 冲击与安全工程教育部重点实验室, 宁波 315211
在诸如风致飞射物撞击等刚体冲击作用下, 建筑夹层玻璃因自身脆性特征极易破坏。针对这个问题提出了在刚体冲击下夹层玻璃破坏状态的预测方法, 综合考虑了玻璃构型、中间胶层、支撑条件及尺寸等多种设计参数。首先针对多类夹层玻璃进行往复刚体冲击试验, 建立567组PVB及210组SGP的两种不同中间胶层的夹层玻璃试验数据库; 随后基于鲸鱼优化下的核极限学习机(WOA-KELM)机器学习算法, 建立夹层玻璃破坏状态的预测模型, 并与支持向量机(Support Vector Machine, SVM)及最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)建立的相应预测模型进行对比分析。结果表明, WOA-KELM模型破坏状态预测精度达88.45%, 能较好地预测夹层玻璃的破坏, 满足工程应用的需求, 且预测模型精度及实时性均优于其他模型。
夹层玻璃 冲击破坏 机器学习 核极限学习机 laminated glass impact failure machine learning kernel extreme learning machine 
