一种基于逆向迭代搜索的快速隐通道检测方法

提出了一种基于静态分析的隐通道自动检测方法.采用完整语法与语义分析手段完成原始信息流提取,保留了局部变量导致的间接信息流,定义了库函数信息流规则以及信息流推导规则,提高了信息流收集的准确性与完整性;采用基于信息流图的带约束逆向深度优先搜索算法,实现了潜在隐通道检测,与传统共享资源矩阵法与正向遍历信息流图方法相比,该方法具有更高的检测效率;并通过语法及语义规则实现了伪隐通道的筛选,减少了误报.     

跨渠建筑物桩基与渠坡非协调变形的处理措施研究

南水北调中线工程沿线布置的交通桥和生产桥,其基础结构设置于两侧渠坡上,施工、运行期间的荷载(特别是水平荷载)作用于渠坡上的桩基础,在桩周一定的范围内将产生桩基与渠坡非协调变形,使基础与渠坡结构层的结合部产生裂缝,影响渠道的安全运行。本文通过理论分析、物理模型试验,研究了几种工程措施,以适应减少桩基与渠坡之间的非协调变形。结果表明:素混凝土措施对桩头变形有较大的抑制作用,同一水平荷载作用下桩头的水平位移明显减少;该措施还可以显著地降低桩身弯矩,减少配筋使用量。橡胶土措施及高塑性粘土措施适应非协调变形的能力相对较强,但是,在采用高塑性粘土措施时,需要校核桩体的抗弯能力。     

以设计轴压比限值为目标的核心钢筋优化布置分析

本文以设计轴压比限值为目标,针对均匀点阵式分布和矩形周圈均匀分布两种情况,以理论推导的方式研究钢筋混凝土柱核芯钢筋的优化布置。分析表明,均匀点阵式分布明显优于矩形周圈分布；当核芯钢筋分布范围的边长系数小于0．5时,核心钢筋能有效提高设计轴压比限值,当边长系数大于0．5时,随边长系数的增大核芯钢筋对提高设计轴压比限值的效果显著降低。因此,在满足施工方便和施工质量的前提下,应尽量减小核芯钢筋的分布边长。此外,设计轴压比提高幅度与核芯钢筋配筋率之间基本上成正比关系。     

泡沫铝三明治板的研究与应用进展

泡沫铝三明治板(Aluminum foam sandwich,AFS)是基于泡沫铝材料开发的一类材料-结构一体化的先进多孔复合结构。AFS是交通运输、建筑以及航空航天等装备结构轻量化的重要材料,具有广阔的应用前景。概述了AFS的几类制备技术的基本原理和研究现状,着重分析了复合预制体制备、合金成分、AFS发泡成型工艺等关键环节中存在的理论和技术难点。介绍了AFS作为结构材料和功能材料的典型应用案例;最后总结提出了AFS材料研究和工程化技术开发的关键点与突破途径。     

与异常相关的C++程序安全漏洞研究

分析了C++程序中与异常相关的安全漏洞,以及这些漏洞会引起内存泄漏、程序的控制流异常和数据流异常.根据几种常见安全漏洞的表现形式,结合实例详细分析了这些安全漏洞产生原因及特点,并给出安全编程的建议.     

斜拉桥动力反应桩基础影响分析

介绍了大跨度斜拉桥动力反应分析时计算模型的建立过程及模拟桩—土相互作用的弹簧刚度的确定方法,结合工程实例对斜拉桥的动力反应中桩基础的影响作了进一步的分析。     

地铁大断面隧道开挖方法选取三维模拟计算分析

建立大断面隧道三维施工开挖模型，采用三维有限元模拟隧道开挖施工，分析大断面隧道开挖过程中单侧壁导坑法和双侧壁导坑法各自的施工工况，以及在施工过程中分别引起的地表沉降。通过模拟的理论地表沉降数据与实际地表沉降数据相比较，从而决定在施工过程中应采用何种方法进行施工。     

落锤冲击仪在聚丙烯性能表征中的应用

聚丙烯韧性的表征最常见的是悬臂梁缺口冲击强度(IZOD)。但在实际应用中有时候会出现IZOD相似的材料制品的抗跌落性能不同,甚至有时候会出现IZOD大的材料制品的抗跌落性能反而差的情况。通过两个实验介绍了落锤冲击仪在表征PP抗跌落性能中的应用,指出了落锤冲击性能比IZOD更能准确地表征PP的抗跌落性能。     

略论货物招标的评标办法

综合评估法在采购实际业务操作中，使用的较多，也较普遍，究其原因，综合评分法能够综合考虑采购要求的各种因素。因此，可操作性强，简单易行，一般采购项目，都可使用。     

基于YOLOv7-SE的煤矿井下场景小目标检测方法

目前的小目标检测方法虽然提高了小目标检测效果,但针对的多为常规场景,而煤矿井下环境恶劣,在井下小目标检测过程中存在小目标特征信息提取困难的问题。针对上述问题,提出了一种基于YOLOv7-SE的煤矿井下场景小目标检测方法。首先,将模拟退火（SA）算法与k-means++聚类算法融合,通过优化YOLOv7模型中初始锚框值的估计,准确捕捉井下小目标;然后,在YOLOv7骨干网络中增加新的检测层得到井下小目标高分辨率特征图,减少大量煤尘对井下小目标特征表示的干扰;最后,在骨干网络中的聚合网络模块后引入双层注意力机制,强化井下小目标的特征表示。实验结果表明：(1) YOLOv7-SE网络模型训练后的损失函数值稳定在0.05附近,说明YOLOv7-SE网络模型参数设置合理。(2)基于YOLOv7-SE网络模型的安全帽检测平均精度（AP）较FasterR-CNN, RetinaNet, CenterNet, FCOS, SSD, YOLOv5, YOLOv7分别提升了13.86%, 25.3%,16.13%,12.71%,15.53%,11.59%,12.20%。基于YOLOv7-SE网络模型的自救...