Convolutional neural network (CNN), with the ability of feature learning and nonlinear mapping, has demonstrated its effectiveness in prognostics and health management (PHM). However, an explanation on the physical meaning of a CNN architecture has rarely been studied. In this article, a novel wavelet-driven deep neural network, termed as WaveletKernelNet (WKN), is presented, where a continuous wavelet convolutional (CWConv) layer is designed to replace the first convolutional layer of the standard CNN. This enables the first CWConv layer to discover more meaningful kernels. Furthermore, only the scale parameter and translation parameter are directly learned from raw data at this CWConv layer. This provides a very effective way to obtain a customized kernel bank, specifically tuned for extracting defect-related impact component embedded in the vibration signal. In addition, three experimental studies using data from laboratory environment are carried out to verify the effectiveness of the proposed method for mechanical fault diagnosis. The experimental results show that the accuracy of the WKNs is higher than CNN by more than 10%, which indicate the importance of the designed CWConv layer. Besides, through theoretical analysis and feature map visualization, it is found that the WKNs are interpretable, have fewer parameters, and have the ability to converge faster within the same training epochs.

Geopolymer, a new low carbon green cementing binder, has widely been used as an alternative to Ordinary Portland cement (OPC), which effectively reduces carbon emissions and industrial solid waste stockpiles on land, also improving solid waste utilization. To raise the utilization of sulphate solid waste and decrease energy consumption, desulphurization gypsum (DG)-based binary cementitious materials were synthesized, and the effects of DG dosage and alkali exciter components on the compressive strength of binary cementitious materials were investigated. In addition, the improvement mechanism of the mechanical properties of binary cementitious materials was revealed by microstructure characterization tools. The results prove that the optimum compressive strength of 52.5 ± 0.5 MPa is achieved with a DG dosage of 20 %, SiO2/Na2O of 1, water glass dosage of 10 % and water-cement ratio of 0.5. Due to the continuous reaction of sulphate in DG with Ca2+ and reactive silicates/aluminosilicates during the curing process, the crystals of ettringite (AFt) are generated and filled the pores of binary cementitious materials and thus furtherly enhancing its compressive strength. And the gel products wrap the AFt that has been filled in the inter-vacancy space on the surface of aluminosilicates already formed at an earlier stage. In summary, ground granulated blast-furnace slag (GGBS) and DG work synergistically to reduce the negative effects of delayed AFt and increase the compressive strength of the geopolymer.

Motivation: Accurate visual pathway (VP) segmentation is critical for clinical diagnosis and surgical planning. Current deep learning-based methods struggle to capture significant context information, impacting the segmentation precision. Goal(s): Improve multi-parametric MRI-based VP segmentation by designing an Adaptive Segmentation Network (ASN). Approach: ASN uses adaptive convolution (AC) to dynamically adjust the kernel based on complementary context, facilitating the integration of contextual information. A spatial attention block selectively extracts relevant regions‘ features in each MRI sequence and fuses them. Results: ASN's effectiveness is validated by segmenting the VP in MR images from two MRI sequences. It surpasses state-of-the-art techniques in VP segmentation. Impact: The introduction of ASN, a new multi-parametric MR images segmentation approach, demonstrates superior performance in visual pathway (VP) segmentation in MR images, surpassing existing state-of-the-art techniques. This novel method effectively incorporates context information, leading to improved segmentation performance.