考虑软弱夹层蠕变特性的某矿山边坡稳定性研究

为研究软弱夹层的存在状态对岩土体强度变形特性的影响，选用PFC3D离散元软件进行不同条件下的复合岩样标准三轴试验模拟，深入分析其强度变化规律及变形破坏特征；借助FLAC3D软件建立了依托实际工程的三维模型，选用考虑蠕变特性的Burgers模型，对露天矿山边坡的稳定状态进行深入分析，得到如下结论:（1）软弱夹层的倾角、厚度、层数等参数均对复合岩样的强度有显著影响；（2）随着夹层倾角增大，三轴试样产生大量剪切裂缝；随着夹层厚度增大，三轴试样由剪切破坏向张拉破坏转变；随着夹层层数增加，三轴试样呈现中间部位的张拉破坏；（3）当考虑露天矿山软弱夹层的蠕变特性时，其强度折减系数为1.16，比不考虑蠕变特性降低了约10%，可为实际工程提供更高的安全存储。     

一种基于深度强化学习的TCP网络拥塞控制协议

在面对网络变化时，传统的TCP拥塞控制协议因其固有的规则机制只能做出固定的动作，既未充分利用链路带宽，也未从历史经验中学习，并且在发生拥塞时带宽恢复所用时间较长。近年来基于强化学习的拥塞控制协议(Reinforcement Learning Congestion Control, RL-CC)虽然可以有效地从历史经验中学习，但是它没有考虑历史经验在时序上存在的因果关系。对这种因果关系进行隐式提取，提出一种基于时序卷积网络和强化学习的拥塞窗口自适应智能化拥塞控制协议(Temporal convolutional network and Reinforcement Learning Congestion Control, TRL-CC)。TRL-CC通过NS-3仿真不同带宽的网络环境。大量的仿真实验表明，与NewReno和RL-CC做对比，TRL-CC在吞吐量方面提升32.8%和8.5%,时延降低41.3%和12%。