排序方式: 共有31条查询结果,搜索用时 15 毫秒
1.
2.
由于非电毫秒雷管本身存在起爆误差,造成网路理论延时与实际延时存在较大误差。为更深入研究网路实际延时时间,以黄河上游某水电站引水发电隧洞工程实测爆破振动信号为分析对象,使用EEMD方法求出爆破信号IMF分量,进行Hilbert变换求出各分量能量,并对能量最大分量进行Hilbert变换求出包络线,再对包络线峰值进行分析得到网路的各段非电雷管的实际起爆时刻分别为49,74,178,235,350,469,609ms,从而准确求得网路中各段间的实际延时时间为25,104,57,115,119,140ms。对网路的理论与实际延时时间进行对比分析,发现理论与实际延时时间存在较大精度误差,这说明采用EEMD-HHT方法识别网路的延时精度是可行的。 相似文献
3.
随着西部地区水资源的开发利用,适应地形能力强的百米级高面板堆石坝越来越常见,而堆石体的流变效应将导致作为堆石坝主要防渗结构的面板在运行期发生脱空、挤压破坏和开裂等现象,经验表明面板浇筑前设置预沉降期可以减少面板病害问题,但预沉降对坝体和面板的长期变形影响规律尚不明确,导致预沉降时间的选定具有较大随意性。考虑坝体安全性和经济性,采用有限元法全面分析蓄集峡百米级高面板堆石坝长期应力变形对不同预沉降时间的响应。结果表明,当预沉降时间为180 d时,可以有效降低运行期堆石体的流变效应,改善面板的长期工作性态。 相似文献
4.
5.
采用现场试验、电镜扫描(SEM)及数值模拟相结合的方法来研究玄武岩纤维对混凝土抗压强度的影响机制。通过混凝土抗压试验探究不同龄期下纤维掺量和纤维长度对混凝土抗压强度的影响,及采用电镜扫描对玄武岩纤维混凝土(BFRC)的微观结构进行机理分析。在细观尺度上采用Mori-Tanaka均化算法和连续介质渐进损伤理论建立混凝土损伤力学模型,研究不同纤维掺量和纤维长度的耦合作用对混凝土抗压强度的影响,并将试验和数值模拟结果进行对比与分析,验证其模型的可行性。结果表明:玄武岩纤维的掺入能够改善混凝土的抗压性能,纤维长度为6 mm的效果较佳;通过电镜扫描发现,纤维的“抱团”现象和纤维–界面之间的薄弱层不利于混凝土抗压强度的提升,但纤维的阻裂效应使得混凝土整体结构的抗压强度有所增加;试验与数值模拟结果具有良好的一致性。 相似文献
6.
以拉西瓦水电站坝肩岩石开挖爆破震动监测信号为分析对象,通过EEMD方法对岩石爆破震动信号进行分解,并对每个IMF分量与原信号的相关性进行分析,去除噪声分量,使去噪后的信号更能真实地体现岩石爆破震动特征。对EEMD与EMD两种方法的去噪效果进行对比分析,得出EEMD去噪方法更具优越性。 相似文献
7.
8.
围岩力学参数反演分析一直是岩土工程研究的热点问题, 对于解决岩土试验不足条件下岩土力学参数的取值具有重要意义。为了获得更为合理准确的引水隧洞围岩力学参数,本文提出了一种融合多种机器学习算法的智能反演模型与分析方法。首先利用正交试验法设计了25组围岩力学参数,同时采用FLAC3D数值模型计算得到目标断面监测点的位移值,通过参数灵敏性分析得到围岩力学参数对测点位移的影响程度。然后基于25组数据针对弹性模量、泊松比、黏聚力和内摩擦角四种不同的反演目标,选取不同种类的算法分别构建智能融合模型。最后,以青海“引大济湟”引水隧洞工程为工程实例,分析围岩力学参数对测点位移的影响由大到小依次为弹性模量、泊松比、黏聚力、内摩擦角;利用所建立的融合模型进行围岩参数反演分析,结合FLAC3D将所得围岩力学参数进行正演计算,得到拱顶沉降,拱底隆起和左右拱腰位移与现场实测值的相对误差分别为5.01%、3.21%、3.87%和4.17%,相对误差值均小于其他单个模型,表明所提出的反演智能融合模型与分析方法更为合理可行。 相似文献
9.
<正> 1 概述 以前的文章就吸收冷却器与离心冷却器作过比较,并指明了使用吸收冷却器的优势,同时也推导出了吸收周期的理想热力性能及限制,虽然如此,仍有必要更新,这是由于公益事业公司的收费在不断翻新,大型、双级直线点火的吸收冷却器正被引入市场,而离心冷却器正被逐步淘汰。直接点火吸收冷却器进入英国市场,就证明其维护费用比预计的要便宜。另 相似文献
10.
一种新的量子神经网络训练算法 总被引:2,自引:0,他引:2
量子神经网络是一种借鉴量子理论中的态叠加思想而设计的单隐层前馈神经网络,其主要用于数据分类。由于采用多层激励函数神经元,并且在量子间隔训练中采用了新的目标函数,即同类输入数据的隐层节点输出方差最小,从而使量子神经网络具备了发掘不同类别数据间模糊性的能力。但由于训练时对量子神经网络权值和量子间隔使用了不同的目标函数,使迭代过程中两者不可避免的会出现相互冲突,从而导致训练迭代次数的增加和网络性能的下降。本文借鉴约束优化理论,在两个目标函数的梯度下降求解中引入了惩罚函数,提出了一种新的量子神经网络训练算法,消除了两个目标函数间的冲突。实验结果表明,本文提出的训练算法可以显著提升训练的速度和网络的性能。 相似文献