混凝土洗泵系统技术在高层建筑中的应用

某高层住宅项目利用高层混凝土洗泵系统技术,解决了施工中涉及到的污染和施工安全问题,实现了绿色施工理念,达到了标准化管理的目的 .     

预拌流态固化土在深基坑回填工程中应用

北京朝阳医院东院医疗综合楼基坑开挖面积3.64万m2,最大开挖深度16.25m,采用上部土钉墙+下部桩锚联合支护,地下结构边线距护坡桩距离仅0.8～1.0m,肥槽回填工作面小,安全隐患大,雨期回填土质量难以保证.对此,肥槽采用预拌流态固化土回填加快了施工进度,缩短了施工周期,质量稳定无污染,降低了安全隐患.     

YBCO超导带材二次冲击恢复过程的模拟及实验研究

YBCO超导带材失超后的快速恢复对于电阻型超导故障限流器(RSFCL)重合闸应对二次故障电流冲击至关重要。当前研究通常将电阻恢复视为带材恢复,在实际的盘式结构中存在复杂的微孔结构,一次冲击恢复至超导态时仍存在大量气泡滞留,影响带材的二次冲击恢复过程。针对典型的微孔结构建立了三维模型,采用CFD模拟并结合大电流冲击实验,对比分析了一次冲击恢复过程和二次冲击恢复过程中各项参数的变化。实验结果表明二次冲击过程中的峰值温度为162.9 K,比一次冲击高14.6 K,带材恢复至超导态需要1.88 s,比一次冲击延长0.63 s。模拟结果表明初始状态存在气泡滞留,二次冲击过程中带材温度上升更快,气泡量更多,温度横向分布更不均匀,最大温差达20.5 K。由此可见,超导态的恢复不能作为重合闸的标准,气泡场未完全恢复会降低限流器的安全阈值,危害系统安全,所以也应将气泡完全消散的时间作为实际运行中重合闸的参考时间。     

采用温控和碘吸收池技术的发射激光稳频技术

多普勒测风激光雷达通过分析系统回波信号的多普勒频移反演出风速，为提高风场探测精度，从稳频技术方面展开研究。在稳频过程中，分别采取措施消除激光频率的长期漂移和短期抖动。针对激光频率的长期漂移，设计并研制了种子激光器温控箱，通过水浴的控温方式大大减小了激光频率的长期漂移，将激光频率稳定在±50 MHz以内；针对激光频率的短期抖动，采用以碘分子吸收池为核心器件的稳频系统，通过半导体控温方式对碘分子吸收池精确控温，控温精度达0.03 ℃，提高了稳频精度，将激光频率进一步稳定在±8 MHz以内，满足±10 MHz以内的设计精度要求。通过搭建多普勒测风激光雷达系统，对发射激光稳频装置进行系统验证，连续4组风场观测结果表明:系统探测高度为17 km，绝大部分方差在4 m/s以下，满足测风激光雷达测量指标的要求。     

基于可穿戴传感器数据的人体行为识别数据特征提取方法

随着可穿戴设备的发展与普及,基于可穿戴传感数据进行人体行为检测展现了巨大的研究价值.目前大多人类行为识别工作都是基于视频图像展开的,然而,使用计算机视觉技术进行人类行为识别存在2个挑战:一是很难使参与数据采集的人员在自然状态下采集真实状态下的运动数据,在开展数据采集之前往往需要对参与数据采集的人员进行培训并严格规范其采集动作,最终得到的数据将是背离真实生活的数据,其研究价值将大打折扣;二是数据采集过程中还涉及采集人员的隐私保护问题.为此,提出一种基于深度学习的数据特征提取方法.首先在灵活设置卷积核的基础上引入神经网络的分支结构多尺度提取原始数据的深度特征;然后将各分支得到的数据特征进行融合并作为下一个卷积层的输入.实验结果表明,与目前主流方法相比,该方法在MHEALTH,WHARF和USCHAD这3个标准数据集上的准确率和召回率都取得了更好的效果.此外,该方法还在2个较新数据集Stanford-ECM Dataset和DATAEGO上做了验证,结果表明该方法具有较好的泛化能力.     

硅酸盐水泥水化动力学模型与试验方法研究进展

水泥水化过程决定水泥基材料强度、耐久性等诸多性能，深入理解水泥水化机理具有重要的科学意义和工程价值。本工作回顾了硅酸盐水泥水化动力学模型的最新研究进展，评述了GEMS热力学计算、HymoStruc3D和CEMHY3D等水化数值模拟方法及其局限性，总结了准弹性中子散射和核磁共振等先进测试手段在研究水泥水化过程中水态演变和孔结构发展中的具体应用，提出了该领域未来研究的趋势和挑战。     

基于布里渊散射的海水参数测量反演算法研究

海洋温度和盐度是重要的海洋环境参数，对了解海洋性质、生物多样性具有重要作用。本文基于碘分子吸收池的边缘探测技术，将携带有温度信息的布里渊散射光分为三束，这三束光分别通过三个压强不同的碘分子吸收池，形成三个探测通道，得到两个信号的强度比值信息；之后利用迭代算法即可同时反演出被测区域的温度和盐度信息。采用探测器输出信号强度比值的形式能有效抑制激光器光强抖动带来的影响。为将测温误差控制在0.2 K以内，所提算法对探测器输出强度比值的随机抖动程度为1.3‰。本技术路线具有不受入射角影响、测量速度快、无需事先知晓盐度信息等优势，有望应用于机载、星载等移动平台上。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。