不同加载状态曲线锚索沿程预应力损失试验研究

曲线锚索沿程预应力损失是影响衬砌结构应力分布的关键因素，获取摩擦系数和偏差系数尤其重要。开展不同加载状态曲线锚索沿程预应力损失研究，建立了模型试验平台，进行了不分级加载、分级加载和分级循环加载测试，分析了锚固端和张拉端受力特征、预应力损失变化规律、摩擦系数和偏差系数取值，并结合实际工程计算了曲线锚索任意点受力值。结果表明:曲线锚索沿程损失摩擦系数和偏差系数不仅与材料自身属性有关，还受到力学加载状态影响；与不分级相比，分级加载曲线锚索平均预应力损失由 8．47％ 降低至 3．63％，且各级荷载必须给予足够停滞时间，以保持预应力传递；分级循环加载曲线锚索预应力沿程损失大幅降低，而加载时长却较久，不适宜作为常规加载方式，宜作为极个别曲线锚索预应力值不能达标时的应急处置方案。     

基于跨临界CO2热泵的茶叶生产能源系统负荷削减潜力

乡村产业中的化石能源设备逐渐被电能技术替代，引起了乡村负荷波动增大、部分时段产生集中高负荷的问题。为了解决以上问题，将低品位清洁能源应用至乡村的茶叶生产中，针对烘茶全过程的工艺要求提出了跨临界CO₂热泵烘茶技术；并以某茶叶生产乡村为对象，对其代表台区的全年日用电量及产茶日负荷进行了分析，得出采用CO₂热泵烘茶后其负荷得到大幅度削减，整体可降低至原负荷的39.6%~46.8%，峰值负荷与平时负荷的比值由原本的13.6降至5.4~6.2。跨临界CO₂热泵应用至农产品生产中可有效缓解乡村供电压力。     

一种用于水声材料设计的动态参数测试方法

针对提高水声材料设计中动态参数输入精度的问题，提出了一种复杨氏模量及泊松比准确测试方法。对于复杨氏模量测试，通过将Williams-Landel-Ferry(WLF)方程引入到Havriliak-Negami(H-N)模型中，采用信赖域反射算法对未知参数进行拟合得到材料参数宽频域主曲线。对于泊松比测试，根据同一材料不同形状因子表观杨氏模量之比与泊松比存在唯一量化关系的特性，仅通过两种不同形状因子试样的准静态有限元模拟，获得表观杨氏模量比值与泊松比量化曲线。因此，根据橡胶样品表观杨氏模量测试结果，可以直接利用局部加权回归获得其泊松比。最后，将前述材料制成直径为55 mm、厚度为50 mm的声管样品，放置在水声管中进行吸声系数测试。同时，把橡胶的复杨氏模量和泊松比的测量结果输入到水-橡胶-水分层介质模型中进行吸声系数计算。结果表明两者吻合，验证了上述测试方法的正确性和有效性。     

建筑电气设计中相关问题分析

在民用建筑电气设计中,经常会遇到一些让人感到困惑的问题,特别是在国家及行业设计规范、标准的更新替换时,设计师对于新标准、规范的理解,往往会有不同程度的偏差,导致设计过程中出现一些问题或错误.就执行GB 51348-2019《民用建筑电气设计标准》过程中收集到的几个具体问题进行分析.     

350 MW机组锅炉引风机失速原因的运行数据统计分析

针对辽宁东方发电有限公司锅炉引风机发生的多次失速问题,从轴流引风机失速机理基础和根据Li-EMS5.0产品的实时数据监控系统的机组运行数据对引风机失速原因进行了分析,分析判断脱硫塔入口压力、除雾器差压的异常大幅升高是风机产生失速的根本原因,并对产生脱硫塔入口压力、除雾器差压的异常大幅升高原因进行分析判断,经停机采取处理措施后,解决引风机失速问题,保证了机组带负荷能力前提下的安全可靠运行.     

综合医院洁净手术部电气设计要点剖析

结合三级医院洁净手术部的设计实践,重点从供电电源、供电方案、配电设计、照明设计、安全接地、电气用房设计等方面,剖析洁净手术部的电气设计要点,为满足医院常态化疫情防控提供技术保障.     

基于材料力学性能的最低设计金属温度曲线分析

铁素体钢在低温条件下存在明显的韧脆转变现象。为防止脆断事故的发生,需要确定铁素体钢制压力容器的最低使用温度。针对ASME中的A^D四条冲击豁免曲线,对应地选取了4种材料,基于材料实际的屈服强度和参考温度,按照ASME中豁免曲线的计算方法,计算得到4种材料的最低设计金属温度曲线,并与对应的A^D曲线对比,定量地分析ASME中豁免曲线的保守性。结果表明,ASME中的豁免曲线相对于材料自身的最低设计金属温度曲线保守性较大;韧性相近的材料被划分到不同的豁免曲线,使得韧性富裕量差异较大,对于某些材料,其断裂韧性被低估。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。