纤维塑料筋混凝土梁延性分析的能量表示法

由于普通钢筋混凝土梁基于钢筋屈服的延性分析方法不能直接用于仅配纤维塑料筋（FRP）的混凝土梁。通过分析国内外有关FRP筋混凝土梁的研究成果，引入了一种针对FRP混凝土梁的基于能量的延性定义，并给出了“延性比”的能量表达式该定义同时适用于普通钢筋混凝土梁的延性分析。     

有轨移车台的设计

1.使用范围 有轨移车台是机车生产或检修作业中的一种常用大型设备,主要用于机车车辆在厂房内不同轨道之间的平行转轨作业：两侧轨道上的机车车辆先由轨道牵引车牵引到移车台上,再由移车台移动到指定的位置并与相应轨道对正,最后由轨道牵引车将机车车辆牵引出移车台至另一侧的指定位置。     

不同炒干条件下夏季日照绿茶的品质变化及香气成分比较

为提高夏季日照绿茶的整体品质,采用循环滚炒（加工30 min）和茶叶复干技术（加工30 min、60 min和90 min）对夏季日照绿茶进行干燥,分别从感官审评、主要品质成分以及香气组成等方面对茶叶品质变化进行对比分析。结果表明,不同炒干条件下的夏季日照绿茶品质差异明显,其中采用茶叶复干技术加工30 min后的绿茶外形更紧结、色泽更润、汤色更绿,滋味无明显水闷气;茶叶中的内含物质保留量更高（水浸出物、茶多酚、游离氨基酸含量分别是44.70%、16.00%、2.20%）,且对叶绿素总量（0.27%）破坏程度低,具有高火香气的杂环化合物相对含量（1.61%）大幅减少。4种炒干处理的夏季日照绿茶被检测到38种共有香气成分,茶叶复干技术加工30 min的绿茶香气组分以酯类为主,其他3种炒制条件下的绿茶则以酸类为主。因此,在130 ℃的温度条件下,采用茶叶复干技术加工30 min,可有效解决传统夏季日照绿茶存在的色香味形欠佳的品质问题。本研究结果为茶叶复干技术在日照绿茶加工中的应用提供了理论依据。     

混合动力汽车模型预测能量管理研究现状与展望

能量管理策略是混合动力汽车的核心技术,其直接决定了整车燃油经济性、动力性及驾驶性。然而,实际工况的不确定性和扰动性极大地增加了能量管理算法的设计难度。为此,开发高效、适应性强的能量管理算法至关重要。模型预测能量管理由于具有滚动优化、反馈校正等优点,可减少未来工况扰动对优化性能的影响,提升工况适应性和整车经济性。重点阐述基于模型预测控制的混合动力汽车能量管理策略的发展状况,并对其基本原理、优势、适用范围进行了综合分析。通过对比分析总结不同控制方法的优缺点,并运用具体算例阐释模型预测能量管理策略的特点。最后从不同角度对预测能量管理的发展方向进行了展望,为先进混合动力汽车能量管理控制器的研发提供一些参考。     

循环载荷作用下混凝土的压缩特性研究

在MTS815电液伺服岩石试验系统上对40个混凝土圆柱形试件进行了循环荷载作用下的单轴压缩试验.研究了初始荷载、循环频率、循环增幅对混凝土力学行为的影响.结果表明,在初始荷载和循环增幅不变的情况下,循环频率对混凝土强度影响不大.在初始荷载和循环频率不变的情况下,随着循环增幅增加,试件强度减小.在循环频率和循环增幅不变的情况下,随着初始荷载的增加,混凝土强度趋于减小.不可恢复变形随着初始荷载、循环增幅和循环次数的增加而增大,随着循环频率的增加而减小.     

利用机械结构的振动加速度信号反算应变的新方法

针对结构紧凑的机械结构难以采用布置应变计的方法来测量应变的问题,从动力学角度出发,采用虚拟力技术建立了实际作用力的等效力。通过进行虚拟测点的计算,以解决实际测点不足的难题。提出了加速度响应信号与输入载荷的协调方程,利用运行状态下机械结构的加速度响应信号来反算结构应变的方法。并通过工程实例得以验证。研究结果对结构紧凑、不利于进行应变测试的部位,可采用该方法进行应变数据的分析,为进行疲劳寿命分析奠定基础。     

春季不同品种景宁白茶的适采期研究初报

为指导浙江景宁茶区景宁白茶的及时采摘,以当地的主栽品种——景白1号和景白2号为研究对象,一芽一二叶为标准芽叶,在春季3个不同时期分别对茶树冠面和采摘后鲜叶的机械组成以及茶树生长发育规律进行调查研究,并结合鲜叶的主要品质成分含量,综合判断景宁白茶的适采期。结果表明,景白1号的开采时间较景白2号晚3~5天,标准芽叶状态的持续时间约9天,大面积采摘主要集中在4月中旬。景白2号的开采时间早,标准芽叶状态的持续时间约12天,鲜叶在4月上旬采摘的鲜叶嫩度和内在品质最佳。4月20号之后,景白1号和景白2号鲜叶品质均较差,不适宜加工中高档名优绿茶。     

低氟砖茶研究的回顾与展望

本文综述了减少砖茶中氟含量的各项技术手段,涉及茶树选育、栽培、茶园管理、茶叶加工、饮茶方式等各个环节;并探讨了未来的研究方向:研制高效降氟剂,开发降氟设备,及采用综合降氟技术等。     

功能分发网络:基于容器的智能边缘计算平台

随着大数据、机器学习等技术的发展,网络流量与任务的计算量也随之快速增长.研究人员提出了内容分发网络（CDN）、边缘计算等平台技术,但CDN只能解决数据存储,而边缘计算存在着难以管理和不能跨集群进行资源调度等问题.容器化技术广泛应用在边缘计算场景中,但目前,边缘计算采取的容器编排策略普遍比较低效,导致任务的计算延迟仍然过长.提出了功能分发网络FDN （function delivery network）,一方面为用户提供了访问边缘计算资源的统一接口和容器化的计算平台,无需进行繁琐的计算资源配置;另一方面,FDN平台优化系统的资源利用和任务的计算延迟,能将任务所需的容器编排到合适的边缘计算集群.开发了一种基于启发式的容器编排策略,实现了跨集群的容器编排功能,进一步优化了执行的计算延迟.基于Openwhisk软件实现了FDN,并在中国移动的网络中部署了该系统,而且对FDN和容器编排策略进行测试.实验结果表明,FDN计算平台能够降低任务的计算延迟;同时,启发式容器编排策略的性能相比传统的算法有了较大的提升.     

道路结构特征下的车道线智能检测

目的 在智能网联汽车系统开发中,复杂环境下的车道线检测是关键环节之一。目前的车道线检测算法大都基于颜色、灰度和边缘等视觉特征信息,检测准确度受环境影响较大。而车道线的长度、宽度及方向等特征的规律性较强,具有序列化和结构关联的特点,不易受到环境影响。为此,采用视觉信息与空间分布关系相结合的方案,来提高复杂环境下的车道线检测能力。方法 首先针对鸟瞰图中车道线在横向和纵向上分布密度不同的特点,将目标检测算法YOLO v3（you only look once v3）的网格密度由S×S改进为S×2S,得到的YOLO v3（S×2S）更适于小尺寸、大宽高比物体的检测;然后利用车道线序列化和结构相互关联的特点,在双向循环门限单元（bidirectional gated recurrent unit,BGRU）的基础上,提出基于车道线分布关系的车道线检测模型（BGRU-Lane,BGRU-L）。最后利用基于置信度的D-S（Dempster-Shafer）算法融合YOLO v3（S×2S）和BGRU-L的检测结果,提高复杂场景下的车道线检测能力。结果 采用融合了视觉信息和空间分布关系的车道线检测模型,在KITTI（Karlsruhe Institute of Technology and Toyoko Technological Institute）交通数据集上的平均精度均值达到了90.28%,在欧洲卡车模拟2常规场景（Euro Truck Simulator 2 convention,ETS2_conv）和欧洲卡车模拟2复杂场景（Euro Truck Simulator 2 complex,ETS2_complex）下的平均精度均值分别为92.49%和91.73%。结论 通过增大YOLO v3纵向的网格密度,可显著提高模型检测小尺寸、大宽高比物体的准确度;序列化和结构关联是车道线的重要属性,基于空间分布关系的BGRU-L模型的准确度受环境影响较小。两种模型的检测结果在经过D-S融合后,在复杂场景下具有较高的准确度。