Page 47 - FDMChina 2025 1/2

Technology 技术

机具有智能的根本途径。 Shutterstock
深度学习 （Deep Learning）， 作为机器学习的一种，

特指基于深层神经网络模型和方法的机器学习，是
在统计机器学习、 人工神经网络等算法模型基础上，
结合当代大数据和大算力 （利用超级计算机、 云计算、
人工智能等技术，来处理海量的数据）的发展而发

展出来的。
目前， 深度神经网络（Deep Neural Networks，
简称 DNN）或生成式对抗网络（Generative Adversarial
Networks，简称 GAN）等技术已被证明可用于上述提 面上看不到粘合剂。这说明该构件的质量很好，也

及的应用方面。当然，还有应用效果更好的技术， 意味着层与层之间不会出现胶水粘合不良的情况，
下文将对此进行初步介绍。此外，在这方面是否能 而且其截面是均匀的。
够取得研究成果都取决于训练数据（用于训练机器 基于木质材料的天然构成是以年轮的形式存在，
学习模型的输入数据样本子集）的质量；例如，在 在打造木结构使用这种材料时，纤维的位置至关重

此次研究中使用了 Dassault ABAQUS 2023 软件包来计 要。纤维沿构件轴线的机械性能是不同的，为了最
算此类优化任务的算法。 大限度地利用纤维，纤维必须与纵轴平行。
注：当树木被伐倒后，在树墩上可以看到有许
实验活动和使用的材料 多同心圆环，植物学上称为年轮。年轮是树木在生

为了进一步研究胶合层积材 （GLT） 的结构构件优化， 长过程中受季节影响形成的，一年产生一轮。
进行了相关实验活动。在这过程中使用了胶合层积 在实验室中的测定分两个阶段进行：第一阶段
材（GLT）元件并对其组合进行了测试，以确定接触 直接测定胶合层积材（GLT）的强度参数，第二阶段
特性。 测定胶合层积材（GLT）的抗剪强度参数。

根据研究者 Pech, S.、Kandler, G.、Lukacevic, M. 和 实验活动在罗马尼亚布加勒斯特土木工程技术
Füss, J. 的“元模型辅助优化胶合层压木梁的元启发 大学的实验室进行。实验的试验结果表明，采用均
式算法”研究显示，云杉是实现胶合层积材（GLT） 质材料或“捆绑”型接触元件的方式对胶合梁式构
构件的常用树种，因此云杉是最佳解决方案。 件进行有限元建模后，得到的抗剪强度数值远高于

在此次研究实验中，胶合层积材（GLT）元件是 木质材料的测定结果。
用结构性环氧树脂基粘合剂将厚度为 2 厘米的层状 首先，可以通过一些元素的尺寸、元素上施加
木质材料连接在一起而形成的。 的力的类型（与纤维平行的牵引力和压缩力以及弯
用于加工胶合层积材（GLT）构件的粘合剂三聚 曲力）以及强度结果的平均值来了解胶合层积材

氰胺 - 尿素 - 甲醛（MUF）是木材工业中最常用的粘 （GLT）的基本特性。每项测试均有 10 个样本。
合剂之一。从“胶合层积材（GLT）构件的物理模型 其次，将 20 个尺寸为 60×60×20（毫米）的胶
及构件中纤维位置的剖面图”中可以看到其中的薄 合层积材（GLT）构件样本放入剪切盒中，对其施加
层清晰可见。不过，在胶合层积材（GLT）构件的剖 力直至断裂点。在剪切盒中对木质样本施加力的过

亚洲木工业 二零二五年一月至二月份 45