美国筒仓设计与施工建议

1·1 绪言 世界各国为了更好地了解贮料的流动状态及其对混凝土贮仓、筒仓和斗仓的影响都进行了大量的研究,结合极限强度设计的广泛应用,对贮仓、筒仓和斗仓的结构设计均要求有一个更为完善、安全、可靠的方法。 本《建议》代替发表在1968年7月份ACI学报上的ACI 313委员会65-37号报告《贮仓仓壁的设计与施工》。《建议》对筒仓,斗仓的结构设计、构造及施工规定均反映了最新的技术水平。 《建议》与ACI的其他标准一样,将定期修订和完善。《建议》是按最新的技术水平编制的,但是,今后如有更完善、更适用的方法时,将在修订版中予以补充。 静止状态下贮料的静压力按本《建议》介绍的方法计算,贮料处于流动状态时,设计压力要大于静压力。目前,建议用超压系数或冲击系数这种实用的方法来确定设计压力。     

水氢氢发电机定子线圈内漏监测现状及改进建议

针对实际生产现场部分水氢氢发电机定子冷却水箱氢气浓度显示超标问题进行研究,发现单独安装在水箱顶部或排气管道高点的测氢探头显示的氢气浓度不能有效地反映运行中发电机定子线棒是否存在渗漏点。结合实际案例分析,建议发电机定子冷却水系统不以单独安装的测氢探头的浓度数据为依据,转而采用水箱日排氢量的数据作为分析和判断的优先依据,并根据不同类型的定子冷却水箱提出了相应的优化建议,具有一定的参考意义。     

重复脉冲法在发电机转子绕组一点接地故障中的应用

RSO法是检测发电机转子匝间故障的重要方法之一。通过对RSO法原理的分析,提出RSO法在发电机转子绕组一点接地故障检测中同样适用的观点,经过模拟试验区分了转子匝间短路故障和接地短路故障下RSO法得到不同的试验结果,并根据试验结果辅助定位了某发电机转子接地故障的位置,证明了RSO法在检测发电机转子绕组一点接地故障中的适用性。     

一种基于状态量分析的汽轮发电机评价系统

发电机运行的可靠性直接关系到电网的安全和发电企业的利益。相较于传统的评价手段,文章介绍的汽轮发电机状态评价系统能更全面、更及时地提供状态评价结果和缺陷诊断分析,有助于实现汽轮发电机的状态检修。     

基于计算机视觉的行人检测方法研究进展

基于计算机视觉的行人检测方法可有效提高行人检测效率,已广泛应用于智慧城市、辅助驾驶等场景。文章对行人检测涉及的图像分割、特征提取、机器学习和分类与定位等方法进行了归纳,综述了各种方法的主要思想、适用性和局限性;同时介绍了行人检测算法的评价指标,对算法性能进行了分析;最后总结了行人检测方法的研究进展,并对未来的发展方向进行了展望。计算机视觉作为目标检测中的一项重要技术,在行人检测领域仍有待发展,算法结构改进、分类器优化、复杂场景下的行人检测等是未来的研究重点。     

发电机定子冷却水箱氢气浓度显示超标问题的探讨

对部分水氢氢发电机定子冷却水箱氢气浓度显示超标的问题进行了研究,发现单独安装在水箱顶部或排气管道高点的测氢探头所显示的氢气浓度不能有效地反映运行中发电机定子线棒的渗漏情况。结合实际案例及目前技术和管理水平,提出了具参考意义的优化建议。     

钢筋混凝土圆弧梁设计探讨

圆形工业性构筑物如筒仓、角锥形沉淀池等,经常遇到圆弧梁的设计问题.在民用建筑中,随着建筑体型日趋多样化,圆弧形结构也不断被采用,因此有必要对圆弧梁的设计进行研究.本文从工程设计角度出发,简要地阐明圆弧梁的受力特点及推导解算内力的方法,提供实用的计算公式及图表,并给出典型例题,以使读者对几种常用圆弧梁的内力状态有较具体的了解.     

美国混凝土筒仓设计与施工建议介绍

美国混凝土学会313委员会1977年3月正式通过《贮存散料的混凝士贮仓、筒仓和浅仓的设计与施工建议》(中译本已由煤炭部规划设计院印出),以下简称《建议》.《建议》共分五章:总则、材料、施工要求、设计和混凝土砌块式工业用筒仓,并附有编制说明(以下简称《说明》).世界各国对贮料的流动状态及其对混凝土筒仓的影响,进行了大量的工作,迄今的研究表明,卸料时贮料的压力,大大超过贮料静态时的压力,这种超过静压的数值,称为“超压”.目前对引起超压的机理、数值及分布规律尚未确切掌握,但它是局部的,而且可能是静压力的若干倍.同样,对于突然给浅仓或漏斗倾卸大量物料所产生的冲击力,也会超过静压力.一般情况下,超压对深仓的影响较大,而冲击通常将危及浅仓.     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。