基于构件及设计模式的变电站主接线图绘制平台的实现

构件技术是在软件开发中避免重复劳动的解决方案。设计模式可以使人们更加简单方便地复用成功的设计思想和结构体系。将设计模式的方法融入构件的开发过程，不仅使构件之间达到了高内聚、低耦合，而且大大缩短了开发周期。变电站主接线图绘制平台的开发过程体现了构件及设计模式在提高软件可重用性和开发效率等方面的重要作用。     

东港市第一次全国水利普查清查登记阶段工作初探

文章介绍了东港市水利普查清查登记工作开展情况及取得的成果,探讨县级水利普查工作具体做法、经验和体会,确保高质量地完成水利普查工作.     

超强韧性混凝土与钢筋锚固的可靠度分析

根据超强韧性混凝土(PP ECC)与钢筋的拉拔试验数据,基于国内相关的对锚固性能的经验公式,推导出锚固长度的极限状态方程,得到PP ECC与钢筋粘结的失效概率与可靠指标。采用中心点法,得到满足可靠度条件PP ECC与钢筋设计锚固长度,为工程实际提供参考依据。     

基于稀疏直接法的特征增强视觉 SLAM 算法

针对基于特征点的视觉同步定位与建图(SLAM)算法在低纹理环境下特征提取能力弱、定位精度降低和鲁棒性差的问 题,本文提出了一种基于稀疏直接法的特征增强视觉 SLAM 算法。 首先对图像序列进行预处理,提高算法的特征提取能力;然 后融合基于图优化的稀疏直接法和特征点法求解位姿,在保证算法定位精度的前提下,提高算法的运行效率和鲁棒性。 由 TUM 数据集的实验结果表明,本文提出的算法定位精度优于当前 SLAM 算法,在 TUM 数据集中纹理稀疏的场景下,该算法提取 的特征点数目是 ORB-SLAM2 算法的 9. 6 倍,平均每帧跟踪耗时减少了 58% 。     

基于轨迹断面特征根的电力系统暂态稳定定量评估

针对现有暂态稳定定量评估计算速度慢的问题,基于轨迹断面特征根研究了电力系统暂态稳定定量评估方法.基于单机无穷大系统研究了轨迹断面特征根对极限切除角的影响,并采用斯皮尔曼分析研究了极限切除时间(critical clearing time,CCT)与轨迹断面特征根的相关性,在此基础上通过自组织特征映射(self-organization feature map,SOFM)和反向传播(back propagation,BP)神经网络建立了电力系统CCT评估模型,并通过WSCC-3机9节点算例验证本文方法有效性.结果 表明,轨迹断面特征根与系统CCT存在显著相关,基于轨迹断面特征根可以有效对电力系统暂态稳定定量评估.     

加筋土加挡墙构体在辽河防洪应急工程中的应用

加筋土加挡墙构体是在加筋土体的侧面设置挡墙所形成的复合结构,可用来挡土或挡水。由于施工方便,材料要求较低等优点,在公路、铁路、河岸、码头、工业与民用建筑等工程中得到广泛应用,但在水利工程,特别是北方寒冷地区的水利工程中应用较少。地处寒冷地区的辽河干流防洪应急工程首次应用该技术。结合该工程介绍加筋土加挡墙构体在寒冷地区的应用。     

基于神经网络的星敏支架指向倾角监测方法

针对星敏支架热致变形导致其指向精度降低的问题,提出了一种基于神经网络的指向倾角监测方法。 首先,分析星敏 支架结构特征,搭建星敏支架指向倾角预测系统,采集星敏支架结构形变和倾角变化数据,并对实验数据进行预处理;其次,构 建深度神经网络模型,将星敏支架模型各测量点的应变信息作为输入变量,并使用 Adam 优化算法更新网络参数,经训练迭代 后得到指向倾角预测模型;然后针对传统深度神经网络收敛速度慢、容易产生局部最小值等局限性,使用遗传算法对深度神经 网络的超参数进行优化,以提升神经网络的训练速度;最后使用测试集数据对星敏支架指向倾角变化进行预测,分析该模型在 不同温度条件下对星敏支架指向倾角监测的准确率。 实验结果表明,优化后深度神经网络模型的指向倾角预测方法的平均误 差为 0. 20″,且倾角预测精度明显优于传统算法,证明利用深度学习方法实现星敏支架指向倾角监测具有可行性。     

基于深度学习的机翼蒙皮载荷计算方法

针对传统的载荷标定方程计算机翼蒙皮载荷精度低的问题,提出了一种基于深度学习的机翼蒙皮载荷计算新方法。考虑真实机翼蒙皮受力复杂,首先建立了机翼蒙皮试验件模型,使用Ansys仿真软件对试验件进行有限元分析,获得应变与载荷仿真数据,并对仿真数据进行数据清洗与预处理;其次,构建深度神经网络模型,将应变与载荷作为神经网络模型的输入与输出值,采用Adam算法优化提出的载荷计算模型;最后,在测试集上对载荷值进行预测,使用平均相对误差与绝对值差作为评价指标。实验结果显示,基于深度学习的载荷计算方法在小载荷数据上平均绝对误差为0.081 N,在正常载荷数据上的平均相对误差为0.063 8%;与传统载荷计算方法比较,本文提出的新方法计算的载荷精度明显优于传统方法。     

基于 TimeGAN-LSTM 的无人机 GPS 欺骗干扰检测模型

针对无人机易受GPS欺骗干扰的问题,提出一种基于长短时记忆法(LSTM)的无人机全球定位系统(GPS)欺骗干扰检测模型。为了提高模型训练精度,首先利用时序生成对抗网络(TimeGAN)对训练数据集进行了数据增强工作,弥补了训练数据量的不足,还对比了增强数据集与原始数据集的性能差距。然后搭建了LSTM模型,在仿真实验下TimeGAN+LSTM模型获得的准确率、精确率、召回率和F1值分别为98.08%、98.55%、98.07%和98.31%。最后与传统机器学习模型进行比较,对比结果证明,提出的欺骗干扰检测模型拥有更好的性能指标。该模型可实现对无人机GPS欺骗干扰信号的有效检测。