6 g
坊Sichuan Building Materials第47卷第1期2021年1月Vol.47,No.lJanuary, 2021
钢筋拉伸试验及相关指标计算解析
曹学禹，刘阳
(河南交通职业技术学院，河南 郑州450000)
摘 要:钢筋拉伸试验在土木工程建设领域有着非常重要的 地位,通过该试验可以测得钢筋的力学性能指标，进而评定 钢筋的质量。钢筋拉伸试验涉及的标准较多，且各个标准中 条款互相制约，有些专业术语又较难理解，很多试验检测人 员看得是云里雾里,针对这一现象,从钢筋的类别和牌号，到 钢筋的取样数量、原始标距、取样长度、拉伸速率等问题，进
行了详细的论述,并以公称直径为20 mm的HRB400钢筋为 例，讲解了钢筋力学性能指标的计算操作过程。关键词:钢筋;拉伸试验;指标计算
中图分类号:TU 502 文献标志码:A
文章编号:1672 -4011( 2021)01 -0018 - 03
DOI：10. 3969/j. issn. 1672 -4011. 2021. 01. 009
0前言
在钢筋混凝土结构中,钢筋是应用最广泛的材料之一， 检验钢筋的力学性能，拉伸试验是必做的试验项目。目前钢
筋拉伸试验检验标准是《金属材料拉伸试验第1部分:室温 试验方法》(GB/T 228. 1-2010)。通过该方法，可以测出钢 筋的屈服强度、抗拉强度、断后伸长率、最大力总延伸率等参 数。钢筋拉伸试验从取样长度、原始标距、拉伸速率以及各 个技术指标的计算,需要注意方方面面的问题非常多,规范 中有很多专业术语，对于检测人员，尤其是初学者，理解起来 有一定的难度，针对这些问题，本文通过实例逐一阐述。
1钢筋的类别和牌号
从外观形状上，常见的钢筋有圆钢和螺纹钢(也就是通 常所说的带肋钢筋)；从生产工艺上分,有热轧生产和冷轧生 产。热轧钢筋是经热轧成型并自然冷却的成品钢筋，由低碳 钢和普通合金钢在高温状态下压制而成，主要用于钢筋混凝 土和预应力混凝土结构的配筋,是土木建筑工程中使用量最 大的钢材品种之一。而冷轧钢筋是把热轧钢筋再进行冷加 工而得到钢筋，比如在常温下对钢筋进行冷拉、拉拔。热轧 钢筋屈服强度较低,塑性性能好。冷轧钢筋屈服强度较高， 塑性性能差，两者的极限抗拉压强度相同。热轧钢筋打头字
1 教案1 《显卡的结构和性能指标》教学设计
课题名称 显卡的结构和性能指标 授课年级 高一
授课 题目 显卡的结构和性能指标 课型 理论 课时 2课时 内容 选编 中等职业教育国家规划教材《计算机组装与维修》(第2版)
授课 班级 高一计算机 人数 15 学习 小组 5
教学 目标 知识与技能目标 1. 能够识别显卡以及显卡的结构以及类型 2. 掌握显卡的主要性能指标以及选购方法 3. 学生了解并掌握显卡的分类及其各自优缺点及其显卡的各项技术指标； 4. 了解显卡的选购原则及其注意事项
过程与方法目标 1.通过学习，能认识显卡并掌握显卡的结构及其类型 2.通过学习，能掌握常用显卡的分类及其各项技术指标 3.通过学习，采用并学会问题探究的方法
情感态度价值观目标 1. 具有吃苦耐劳的工作精神和热爱本专业的工作； 2. 激发学生对显卡的学习兴趣。 教学 重点 掌握显卡的结构分类以及选购方法；显卡的分类及其各自优缺点；掌握显卡的各项技术指标 教学 难点 在实际生活中学会如何识别和选购显卡并且购买显卡时能运用到所学知识
学情 分析 优 点 缺 点 男生喜欢电子游戏，而高端显卡可以对游戏的性能给予很大地提升，因此学生对学习显卡比较感兴趣。 部分学生基础薄弱
教法 学法 教 法 学 法 1. 讲授法 2. 讨论法 3. 任务驱动法 1. 自主探究法 2. 小组学习法
课前 准备 学生准备 教师准备
提前预习本章节的内容并对家里的电视进行观察。 1.多媒体网络教室等常规软硬件资源； 2.授课课件以及教案； 3.学生的认知的分析 教 学 过 程 设 计 教学 环节 师生活动 教学意图
2 1.新课导入
目前市面上的显卡种类繁多，价格不一，品质和档次也各不相同，那么不同档次的显卡它们的区别是什么呢？我们家里的电脑用的是是什么类型的显卡呢？让我们带着疑问一起揭开显卡的神秘面纱。
模型评估指标AUC和ROC这是我看到的最透彻的讲解
在机器学习中，模型评估指标是用来衡量模型性能的指标，其中AUC（Area Under Curve）和ROC（Receiver Operating Characteristic）是评估二分类模型性能的常用指标之一
1.ROC曲线：
ROC曲线是一种可视化模型分类性能的工具。它以"真正例率"（True
Positive Rate, TPR）为纵坐标、"假正例率"（False Positive Rate,
FPR）为横坐标，通过改变分类阈值绘制出一组点，连接这些点即可得到ROC曲线。
定义以下概念：
- 真正例（True Positive, TP）：实际为正例且被正确预测为正例的样本数。
- 假正例（False Positive, FP）：实际为负例但被错误预测为正例的样本数。
- 真负例（True Negative, TN）：实际为负例且被正确预测为负例的样本数。
- 假负例（False Negative, FN）：实际为正例但被错误预测为负例的样本数。
TPR定义为：TPR = TP / (TP + FN)，表示实际为正例的样本中被正确预测为正例的比例，也叫做"召回率"（Recall）。FPR定义为：FPR =
FP / (FP + TN)，表示实际为负例的样本中被错误预测为正例的比例。
2.AUC： AUC是ROC曲线下的面积，取值范围为[0,1]。AUC越大，说明模型性能越好。
AUC的直观理解是在所有可能的分类阈值下，正例排在负例前面的概率。AUC为1则表示所有正例都被正确分类，AUC为0.5则表示模型性能等同于随机猜测。
AUC和模型性能的关系：
-AUC为1的模型完全正确地分类样本，不存在混淆。
-AUC为0.5的模型等同于随机猜测，没有分类能力。
-AUC小于0.5的模型是完全错误地分类样本，可以通过对预测值取相反数进行修正。
3.ROC曲线与AUC的应用：
关于机器学习评价指标AUC召回率准确率（ACC）MRR的白话讲解
AUC、召回率、准确率（ACC）和MRR是机器学习中常用的评价指标，用来评估模型的性能。下面将对这些指标进行白话讲解。
首先，我们来介绍AUC（Area Under the Curve）。在机器学习中，我们通常使用ROC曲线（Receiver Operating Characteristic curve）来评估模型的性能。ROC曲线是以假正例率（False Positive Rate）为横坐标，真正例率（True Positive Rate）为纵坐标绘制的。而AUC就是ROC曲线下的面积，取值范围在0到1之间。AUC的值越接近于1，说明模型的性能越好。
接下来，我们介绍召回率（Recall），又称为查全率。召回率是指模型识别出的正例占所有实际正例的比例，也就是模型能够正确找到的所有正例的数量除以真实正例的总数量。召回率的取值范围在0到1之间，召回率越高，说明模型能够较好地找到真实正例。
然后，我们来讲解准确率（ACC，Accuracy）。准确率是指模型正确预测的样本数量占所有预测样本的比例，也就是模型预测正确的数量除以总样本数量。准确率的取值范围在0到1之间，准确率越高，说明模型的预测结果越准确。
最后，我们介绍MRR（Mean Reciprocal Rank）。MRR是对模型在排序问题中的性能进行评价的指标。在排序问题中，模型会根据预测结果对样本进行排序，MRR则是对排序结果的评估。对于每个查询，在排序后的结果列表中，MRR计算的是第一个正确答案的倒数，然后取所有查询的平均值。MRR的取值范围在0到1之间，MRR越接近于1，说明模型的排序性能越好。 综上所述，AUC、召回率、准确率和MRR都是用于评估机器学习模型性能的指标。AUC可以评估模型的整体性能，召回率可以评估模型找到真实正例的能力，准确率可以评估模型的预测准确性，而MRR则适用于排序问题的评估。这些指标可以帮助我们判断模型是否达到我们的要求，并帮助我们在不同的应用场景中选择适合的模型。
