冻融作用下沥青混合料抗反射开裂性能研究

采用Overlay tester(OT)对大粒径透水沥青混合料(LSPM)进行多次冻融循环试验,分析了冻融循环作用下LSPM的抗反射开裂性能.结果表明:冻融循环作用对LSPM的抗反射开裂性能具有显著影响;OT试验能有效反映LSPM的抗反射开裂性能,可以用容许破坏次数和荷载损失率来共同评价LSPM抗反射开裂性能,采用指数模型能较好地表征和预测容许破坏次数随冻融循环次数的衰减状况;模拟冻融影响时应至少进行20次冻融循环;橡胶粉改性沥青和SBS改性沥青用于LSPM均具有良好的抗反射开裂性能,但SBS改性沥青混合料受冻融循环作用影响更大,粒径为301μm(60目)橡胶粉改性沥青混合料更适用于长期冻融地区的沥青路面.     

泡沫沥青冷再生混合料成型方法

采用振动成型设备以压实度为指标确定了泡沫沥青冷再生混合料振动成型的振动时间。振动成型、静压成型、马歇尔成型及旋转压实成型试件在总空隙率相同的条件下,对比了不同成型方法混合料的力学强度,分析了强度差异产生的原因。基于CT检测手段,分析了不同成型方法混合料内部空隙分布状态、空隙分形维数、最可几孔径及平均孔径。结果表明:旋转压实的"揉搓作用"显著增大了冷再生混合料的间接拉伸强度,振动成型次之,静压成型与马歇尔成型混合料间接拉伸强度(ITS)较接近,而四种成型方法混合料的无侧限抗压强度差别不大;旋转压实及振动成型会影响泡沫沥青冷再生混合料内部细颗粒的分布,进而影响混合料内部空隙的分布状态,这两种成型方式混合料内部空隙数目多且等效半径小。不同压实方法的压实机理的差异导致混合料内部空隙平均孔径、空隙维数及最可几孔径存在差异。空隙特征的不同是引起冷再生混合料力学强度差异的本质原因。     

基于时域的谐波和无功检测技术的对比研究

谐波和无功检测技术在电能质量治理装置的应用中起着重要作用,检测结果的准确性、实时性和抗干扰性是保证装置的补偿工作性能的前提条件。本文介绍了现有6种时域的谐波和无功检测方法的工作原理,并根据电源电压和负载电流是否三相平衡及包含谐波和无功与否等不同情况设计了8种不同的工况。在这8种不同工况下,结合6种谐波和无功检测算法,并将其应用于三相三线制有源电力滤波器(APF)系统中,使用Matlab/Simulink软件分别对各种不同组合的工况进行仿真分析。根据仿真结果,对比分析了各种组合下的谐波和无功补偿指令信号、有功和无功功率及其功率因数。总结了所采用的APF系统在不同工况下各种检测算法的检测性能,分析了各种算法所适用的工况。实验验证了理论分析和仿真结果的正确性。本文的研究成果为电能质量治理及其控制算法的研究提供了理论参考,为电能质量治理装置的设计与研发提供了切实可行的依据。     

不同类型高模量沥青混合料抗剪性能研究

为了研究不同类型高模量沥青混合料抗剪性能,利用Superpave剪切试验机并按恒高度频率扫描试验(FSCH)方法测得了EME2沥青混合料和AC-20沥青混合料的复数剪切模量及相位角,根据时间-温度等效原理,利用非线性最小二乘法拟合得到了参考温度下的复数剪切模量主曲线,预测了两种高模量沥青混合料的高低温性能。通过恒高度重复剪切试验(RSCH)得到了两种高模量沥青混合料的加载末应变和剪切斜率。FSCH结果表明,两种沥青混合料的复数剪切模量均随温度的升高而降低,随荷载频率增加而增加,AC-20沥青混合料的高温抗剪性能优于EME2沥青混合料,EME2沥青混合料的常温抗变形能力优于AC-20沥青混合料;RSCH结果表明,在60 ℃条件下,AC-20沥青混合料的抗剪性能优于EME2沥青混合料。     

重体力劳动饮料的配制

重体力劳动(如矿工、炉前工等)主要是肌肉、肌腱、骨骼的剧烈活动,伴随着代谢的急剧增加,大量消耗能、氧和水分等,继而引起体内钾、钠、钙等电解质的丧失。所以,对重体力劳动者如不及时补充体内的需要,则到一定程度即可出现以失水为主的水和电解质的代谢紊乱——出汗减少、体温上升、头晕、头痛、乏力、口干、眼花、心悸等现象。为此,特针对重体力劳动时各种营养素和水分的需要面配制重体力劳动饮料。     

输电线路停运时间模型及其在可靠性评估中的应用

传统的输电线路停运时间模型忽视了输电线路停运时间受外部环境和设备内部参数等因素的共同影响,致使评估结果与电网实际可靠性水平存在较大误差.针对这一不足,提出了计及地形、天气和杆塔参数的输电线路停运时间模型.该模型将输电线路抢修作业拆分成5个主要环节并分别统计各环节作业基准时间,采用综合影响因子表征各因素对各环节作业时间的...     

基于多任务支持向量机的能源互联网数据深度融合方法

在多任务环境下，能源互联网数据冗余干扰较强，后期数据处理误差较大，故提出一种基于多任务支持向量机的能源互联网数据深度融合方法。数据层融合接收待融合能源互联网数据后实施数据离散化、矩阵化处理，将处理后数据发送至特征层融合内，特征层融合利用互信息变量选择算法，提取数据分类特征，并将所提取特征作为决策层融合多任务支持向量机输入，多任务支持向量机将支持向量机各数据分组视为子任务，运算过程中需保证全部学习机间全局差异最小化实现子学习机局部最优化，多任务支持向量机实施数据决策级融合后输出最终融合结果。实验结果表明，该方法准确率高于99%,且融合加入10 dB白噪声的能源互联网数据最小均方误差仍低于1%。