纵向非一致激励下埋地管道的振动台试验研究

为研究在一致、非一致激励振动台试验中不同箱体内土体、管道地震响应的异同,基于已经开发的悬挂式连续体模型箱开展了一系列多台阵振动台试验。对不同箱体中土体、管道的加速度以及管道应变等试验数据进行了分析,结果表明：(1)在一致激励不同加载等级下,不同箱体中土体表面各监测点的位移时程曲线基本一致,而在非一致激励下,不同箱体中土体表面各监测点的位移时程曲线差异明显。各箱内土体间产生了明显的纵向相对位移,土体被拉裂,且在地震动作用后均产生了较大的残余位移;(2)与一致激励下相比,非一致激励下各箱内管道及其周围土体之间均产生了明显的相对位移,造成了管道应变的增大,其峰值应变是一致激励下的2倍左右;(3)在一致激励下,各箱体内土体、管道的地震响应基本相同,非一致激励下不同箱体内土体、管道的地震响应虽然存在差异,但各箱体内管–土地震响应规律基本相同。     

基于ACCA的Option自动生成算法

提出了一种新的分层强化学习（HRL）Option自动生成算法,以Agent在学习初始阶段探测到的状态空间为输入,并采用改进的蚁群聚类算法（ACCA）对其进行聚类,在聚类后的各状态子集上通过经验回放学习产生内部策略集,从而生成Option,仿真实验验证了该算法是有效的。     

一起35kV变压器空载损耗异常试验分析与处理

本文中笔者对一起35kV变压器出厂试验时空载损耗超标现象进行了分析,给出了分析数据,并介绍了详细的处理过程。     

基于动态贝叶斯网络的地铁隧道施工风险评估

近年来中国地铁隧道建设发展迅速,然而地铁施工事故频繁发生.针对施工过程中风险随时间的演变,提出基于动态贝叶斯网络(DBN)和模糊综合评价法(FCEM)的地铁隧道施工动态风险评估方法,结合沉降监测数据进行地铁隧道下穿既有建筑物的风险实时动态评估.该方法通过施工环境、施工技术、施工机械、施工管理4方面共12个风险因素与施工...     

两相多孔介质弹塑性动力反应计算分析的显式有限元方法

应用连续介质力学的基本原理,针对流体饱和两相多孔介质的特点,建立起增量形式的两相多孔介质弹塑性波动方程组,以实现对两相多孔介质弹塑性动力反应的描述．运用伽辽金方法对该波动方程组进行空间离散,得到两相多孔介质弹塑性波动方程组的伽辽金弱式,并应用中心差分法与Newmark常平均加速度法相结合的时域积分方法,对上述波动方程组进行时间离散,构造求解两相多孔介质弹塑性波动方程组的显式时间积分列式,从而形成流体饱和两相多孔介质弹塑性动力反应计算分析的时域显式有限元方法．该方法采用了解耦技术,不需要求解联立方程组,具有节省计算机内存空间和能够提高计算速度等优点．     

浅谈象州县落脉河二级水电站增效扩容改造工程

象州县落脉河二级水电站由于已建成运行了30多年,在运行过程中出现设备老化、自动化水平低、机组效率低及安全隐患多等问题,因此急需对电站进行增效扩容改造。本文以电站增效扩容改造为例,详细阐述了增效扩容改造过程中出现的问题,并提出积极有效的保障措施和解决办法,以供同仁参考之用。     

地面气象测报工作常见问题及应急对策

自动站投入使用后,有效地提高了观测时效和观测数据的精确度,减少了观测人员的工作量,为气象观测提供了可靠的依据。根据地面气象观测中应该注意的几点事项,分析了工作中常遇见的几种问题和解决办法,并提出了提高工作质量的一些建议,仅供参考。     

两相多孔介质弹塑性动力反应计算分析

基于增量形式的流体饱和两相多孔介质弹塑性波动方程组,运用显式逐步积分格式与局部透射人工边界相结合的时域显式有限元方法对该波动方程组进行求解,对两相介质在输入地震波作用下的弹塑性动力反应进行计算和分析,从而揭示流体饱和两相多孔介质弹塑性动力反应的规律.计算结果表明:两相介质弹塑性位移反应峰值要大于相应的弹性位移反应的峰值,并且弹塑性位移反应峰值出现的时刻滞后于弹性位移反应峰值出现的时刻;两相介质弹塑性速度反应与相应的弹性速度反应的差别并不显著.数值计算同时表明,时域显式有限元方法是进行流体饱和两相多孔介质弹塑性动力反应计算分析的一种有效的方法.     

基于多智能体的融合Sarsa（λ）学习算法

强化学习作为一种重要的机器学习方法,已经被广泛应用于许多单智能体和多智能体系统。强化学习的性能受所使用的学习算法及其参数的影响很大,不同的学习算法或者参数很小的变化都可能导致学习性能很大的变化。当环境模型未知时,确定最好的算法和最优的参数是困难的。为了避免参数的影响,提出了一种基于多Agent的融合Sarsa（λ）学习系统,它把强化学习环境当作多智能体环境来处理。最后用迷宫实验仿真,结果验证了该方法的可行性和有效性。     

基于多智能体的融合Sarsa(λ)学习算法

强化学习作为一种重要的机器学习方法,已经被广泛应用于许多单智能体和多智能体系统。强化学习的性能受所使用的学习算法及其参数的影响很大,不同的学习算法或者参数很小的变化都可能导致学习性能很大的变化。当环境模型未知时,确定最好的算法和最优的参数是困难的。为了避免参数的影响,提出了一种基于多Agent的融合Sarsa(λ)学习系统,它把强化学习环境当作多智能体环境来处理。最后用迷宫实验仿真,结果验证了该方法的可行性和有效性。