昆明红粘土地层锚固力试验研究

在昆明世博园周边边坡治理过程中，为了更好地指导实际工程，根据试验结果，研究预应力锚索在红粘土中的受力特性。分别采用Phillips和剪应力均布法两种锚固段剪应力分布理论，对试验数据进行分析研究，推导出了两种锚固力的简要计算公式。     

异形充填节理剪切破坏宏细观机理及强度模型

为探究异形充填节理面在剪切过程中的宏细观行为,本文基于二维颗粒流程序PFC~(2D)生成9种上下面不同粗糙度的充填节理面组合并进行模拟。研究结果表明:异形充填节理面宏观破坏过程中,首先是充填物两侧发生局部破坏,随后节理边缘开始出现裂隙,最后是充填物与节理之间的黏结面发生破坏;细观破坏过程中,首先是两侧颗粒发生移动,中间颗粒由于充填物的黏结作用,位移较小,但随着剪切进行,黏结面发生破坏,试件内部颗粒位移差逐渐消失,表现为上部试件整体位移。模拟过程中异形充填节理面峰值剪切强度受两侧节理面粗糙度影响,呈现出粗糙度越接近强度越高的规律。通过简化模型改进了一种新型充填节理面峰值剪切强度公式,为下一步的研究提供了理论基础。     

基于循环神经网络的物料采购需求智能化挖掘方法

为了最大程度保留有价值信息,提升企业对物料采购价格需求挖掘能力,降低挖掘误差,提出基于循环神经网络的物料采购需求智能化挖掘方法。利用小波分析方法预处理初始需求序列,多尺度分解初始序列,获取若干高、低频序列;利用相空间重构多尺度序列高、低频序列,将重构序列引入循环神经网络模型;经模型训练重构数据后,构建物料采购需求智能化挖掘模型,实现物料采购需求智能化挖掘。试验结果表明,该方法能够有效保留初始序列中的价值信息,训练误差和测试误差平均值为3.02%和2.61%,绝对误差和相对误差平均值为0.58%和3.82%,具有较好的实际应用价值。     

基于零厚度黏聚力单元节理面剪切破坏机理宏细观研究

为了探究不同粗糙度节理岩体剪切过程及破坏类型,利用ABAQUS有限元分析软件,采用全局嵌入零厚度黏聚力单元的方法模拟带节理岩体压剪过程。通过室内压剪试验和数值模拟结果对比确定所建立模型的正确性,从宏细观角度分析节理岩体剪切破坏行为。研究结果表明：采取全局嵌入零厚度黏聚力单元模拟节理岩体压剪过程的方法相对准确,能真实反映节理面细观破坏过程;不同粗糙度节理试样在恒定法向荷载下的剪切峰值强度随着粗糙度增加而递增;节理岩体的剪切过程大致可以分为4个阶段,线弹性强化阶段、带裂纹强化阶段、塑性软化阶段和残余强度阶段;不同粗糙度节理岩体在剪切过程中破坏类型不同,在恒定法向荷载下岩体剪切破坏大致可以分为3种形式,分别是滑移破坏,岩体局部剪断破坏和切齿破坏。     

基于CNN-ABC-BiGRU的火电厂数据分析与应用研究

在大数据环境下,现代企业生产数据的挖掘与利用对提升企业经济效益与提质增效尤为重要。目前企业工艺数据的利用与维护,多依赖专家经验与传统数据分析方法,针对这些企业数据处理与分析存在的局限性和共性问题,以大数据环境下火电厂锅炉系统运行状态预测为例,提出了一种基于Hadoop框架的卷积神经网络（Convolutional Neural Networks,CNN）-人工蜂群算法（Artificial Bee Colony,ABC）-双向门控循环网络（Bidirectional Gate Recurrent Unit,BiGRU）模型的主蒸汽流量预测方法。基于分布式预测模型对辽宁某电厂监测数据进行分析,结果表明,在预测波动较大的主蒸汽流量时,该方法在提升速度的同时,相较于传统BP、LSTM、GRU、BiGRU、CNN-BiGRU等模型,MAE值分别降低了61.188%、51.348%、46.342%、38.005%和20.560%,预测精度有所提高。     

MAYA软学习方法探微

在政府大力支持动漫画产业发展的背景下,三维动画产业迅速地发展了起来,并且带动了学习三维软件的热潮。如何学习maya软件,方法是关键!本文从公司实战的角度出发,结合传统学习maya软件的方法,无论是对于专业人员还是业余爱好者,都为初学maya软件的学习者在学习的方法上做出了有益的探索,具有很好的借鉴作用。     

基于ConvLSTM-GRU的公交客流量预测模型

公共交通在城市智能交通系统中发挥着重要的作用,准确的公交客流量预测对智能交通的发展至关重要。为了提高公交客流量预测的准确度,提出一种基于卷积长短期记忆(convolutionallongshort-termmemory,ConvLSTM)网络和门控循环单元(gaterecurrent unit, GRU)算法的预测模型Conv LSTM-GRU,结合公交车客流量、天气特征和气温特征以及节假日特征来预测未来的公交客流量。通过提取不同时段公交客流量之间的相关性并采用编码器-解码器结构来减少递归多步预测中的累积误差,提高了预测精度。最后,将ConvLSTM-GRU模型与反向传播(back propagation, BP)神经网络、长短期神经网络、门控循环单元结构、卷积长短期神经网络和自回归网络5种算法进行比较,结果表明所提模型在预测准确度方面均优于对比算法。     

基于Bi-LSTM-Attention的公交车头时距预测模型

公交车头时距预测作为公交车调度决策系统的重要依据,可以帮助公交公司及时发现交通拥堵,做出合理的调度决策.然而,现有的研究仅限于传统的预测方法,缺乏综合多种影响因素预测车头时距波动.为解决这个问题,本研究采用一种基于公交智能卡数据的双向长短时神经网络-注意力机制(Bi-LSTM-Attention)预测框架.该模型将注意力机制融入双向长短时记忆网络中,利用历史公交车头时距、公交运行时间、停靠时间预测每个站点的公交车头时距波动.通过某市两条公交线路实例对该模型进行验证.实验结果表明：与已有算法相比,Bi-LSTM-Attention在单步和多步预测中均表现出更高的准确度,可以为公交动态调度提供理论支持.     

基于残差网络和深度学习的入侵检测方法研究

针对工业互联网攻击流量特征复杂以及深层神经网络易发生退化的问题,提出了一种基于残差网络和深度学习的入侵检测方法,实现了将一维卷积神经网络与门控循环单元残差连接的网络模型。使用CSE-CIC-IDS2018数据集和密西西比州大学的天然气管道数据集进行实验,结果表明,此方法在各个评价指标上均优于其他经典机器学习算法,具有较好检测性能和泛化能力,证明了其在工业网络环境中的可靠性及应用价值。     

基于ARIMA神经网络的工业生产指数仿真研究

工业生产指数是衡量某个时期工业经济景气状况和发展趋势的重要指标,也是研究宏观经济预警的首选指标。将ARIMA理论与神经网络理论相结合,构建了ARIMA神经网络模型,采用1997－2015年月度工业生产指数的时间序列数据,开展了工业生产指数的仿真研究。首先对工业生产指数进行季节调整,剔除了工业生产指数时间序列中的季节因素影响;其次通过ARIMA神经网络模型对1997－2015年月度工业生产指数进行仿真,结果表明模型仿真训练效果较好;最后运用ARIMA神经网络模型对2016年1－6月工业生产指数进行模拟仿真,得出了2016年1－6月工业生产指数模拟仿真值。