GBF蜂巢芯现浇混凝土密肋楼盖的经济分析

介绍了GBF蜂巢芯结构好、重量轻、造价低等特点,结合山东友邦置业有限公司开发的地下车库工程,分析了GBF蜂巢芯现浇混凝土密肋楼盖的设计原理、施工工艺流程及施工操作要点,并着重探讨了该工程采用GBF蜂巢芯现浇混凝土密肋楼盖技术所产生的经济效益。     

蒙库铁矿南帮滑坡灾害治理技术研究

滑坡是露天矿山主要的地质灾害之一,给人类的生命财产造成了巨大的损失。研究了蒙库铁矿区的边坡地质特征,分析了滑坡区域破坏模式和潜在危害,认为滑坡模式表现为平面破坏,局部存在楔形破坏的可能。研究了滑坡区域边坡稳定性,沿走滑坡向在南帮199线—207线滑坡体上设置测量了3条主剖面,计算得出了南帮不同平台的稳定性。给出了滑坡体加固治理方案,主要为清理散体、危岩体,长锚杆、预应力长锚索、钢轨桩、框架梁综合锚固加固,破碎区域喷锚网封闭,坡体深层排水孔、周边截排水沟等。研究为相同地质条件下滑坡地质灾害的治理提供了参考。     

基于数字孪生的高速列车辅助供电系统故障诊断方法研究

随着铁路技术的蓬勃发展,高速列车已经成为人们中长途出行的首要选择。同时,其伴随的安全性、舒适性问题也逐渐受到重视。辅助供电系统是高速列车能够正常运行的重要保障,系统故障将导致乘客舒适感下降,列车行驶受阻,铁路班次调整等一系列问题。为了避免此类情况的发生,本文主要对高速列车辅助供电系统故障诊断方法进行研究,基于数字孪生技术,建立辅助变流器仿真模型,模拟真实电路运行情况。然后以获取的故障数据集为分析对象,在MATLAB R2018a平台上训练多种机器学习模型。同时结合优化方法建立混合模型,比较诊断性能。实验结果表明,数字孪生技术能够大大降低收集数据的难度,可以快速获取数量多,类别丰富的故障数据;基于遗传算法的BP(back propagation)神经网络混合模型对类故障的诊断分类效果最好,平均精确率和准确率分别为86.7%和95.6%。基于数字孪生的机器学习模型诊断效率和精度高,可以运用在高速列车辅助供电系统的故障诊断过程中,保证列车安全行驶。     

基于神经网络的橡筋弹射系统建模

本文首先应用机械动力学对橡筋弹射系统进行了深入的分析，找出了影响模型车交会速度和交会位置的各因素，然后对神经网络建模作了详细阐述，最后给出了神经网络在橡筋弹射系统建模中的应用及测试结果。     

一种基于SoC的三相智能电表设计

设计了一种基于SoC的三相智能电表,采用MK30N512VMD100作为主芯片,使用主芯片内置的ADC进行电压、电流采样,通过程序实现电量计量,并以此为基础实现智能电表的功能。文中介绍了主MCU芯片用于三相智能电表设计的资源,对三相智能电表的硬件和软件设计进行了说明,提供了一整套基于SoC的三相智能电表设计方案.该方案不仅可以提高电表的稳定性和可靠性,同时也降低了电表制造的物料成本和生产成本。     

重组大肠杆菌制备副溶血弧菌噬菌体内溶素Lys qdvp001 CHAP域及诱导条件初步优化

目的:为了利用噬菌体内溶素防控副溶血弧菌,通过克隆表达工程菌pET30a-CHAP制备目的蛋白,并将以包涵体存在的目的蛋白复性得到有活性的噬菌体内溶素蛋白。方法:首先克隆工程菌pET30a-CHAP,经 IPTG的诱导表达后,检测菌液上清中内溶素含量判断表达形式,再进行诱导条件初步优化。通过将表达的pET30a-CHAP包涵体蛋白先用洗涤剂洗涤去除杂蛋白,然后用尿素变性剂溶解,并用Ni2+ SepharoseTM 6 Fast Flow亲和层析柱进行层析纯化,用EDTA、氧化型谷胱甘肽、还原型谷胱甘肽等为折叠复性促进剂,经过透析制备可溶性的 pET30a-CHAP蛋白,再检测目的蛋白的抑菌活性。结果:本实验确定了重组菌内溶素的表达形式为没有活性的包涵体;初步确定最佳诱导条件为诱导温度为16 ℃,IPTG终浓度0.5 mmol/L,诱导时间为7 h;复性后的内溶素具有抑菌活性。结论:本研究为利用内溶素防控副溶血弧菌以及其他革兰氏阴性细菌提供了制备方法。     

迭代修正鲁棒极限学习机

极限学习机（ELM）的许多变体都致力于提高ELM对异常点的鲁棒性，而传统的鲁棒极限学习机（RELM）对异常点非常敏感，如何处理数据中的过多极端异常点变成构建RELM模型的棘手问题。对于残差较大的异常点，采用有界损失函数消除异常点对模型的污染；为了解决异常点过多的问题，采用迭代修正技术修改数据以降低由异常点过多带来的影响。结合这两种方法，提出迭代修正鲁棒极限学习机（IMRELM）。IMRELM通过迭代的方式求解，在每次的迭代中，通过对样本重加权减小异常点的影响，在不断修正的过程中避免算法出现欠拟合。在具有不同异常点水平的人工数据集和真实数据集上对比了IMRELM、ELM、加权极限学习机（WELM）、迭代重加权极限学习机（IRWELM）和迭代重加权正则化极限学习机（IRRELM）。在异常点占比为80%的人工数据集上，IRRELM的均方误差（MSE）为2.450 44，而IMRELM的MSE为0.000 79。实验结果表明，IMRELM在具有过多极端异常点的数据上具有良好的预测精度和鲁棒性。