某抽水蓄能电站地下厂房围岩劈裂破坏范围预测

对于处在高地应力脆性围岩中的地下洞室群,开挖时洞室围岩容易出现纵向的劈裂裂缝.采用滑移裂纹组模型模拟岩石在轴向压力作用下的劈裂破坏,以分析裂纹之间的相互作用.通过分别计算释放的弹性应变能,裂纹扩展耗散的能量,裂纹滑移耗散的能量,得到了高地应力下脆性岩体的劈裂破坏判据,并将该判据应用到某抽水蓄能电站的开挖计算分析过程中,为高地应力条件下地下工程开挖引起的劈裂破坏提供更加科学合理的预测判据.     

液滴冲击流动液膜的格子Boltzmann模拟

采用单相格子Boltzmann方法模拟了二维液滴冲击流动液膜的含自由面的流动过程。由定义的质量与密度的比例系数来追踪气液自由面的变化。表面张力通过计算界面格点处作用在流体上的汽液相间作用力加入到模型中。数值模拟了速度比(液膜流动速度与液滴撞击速度的比值)和液膜相对厚度(液膜实际厚度与液滴直径的比值)不同时,液滴冲击流动液膜的过程。与液滴冲击静止液膜时的计算结果和理论分析结果进行对比,分析了液滴冲击流动液膜后产生的流动现象及其内在机理,产生的水花的铺展半径和溅起高度随时间的变化规律,并讨论了飞溅产生条件。     

220kV变电站三相短路电流计算及结果应用

文章阐述了220 kV变电站的三相短路电流计算的重要性,并结合工程实例介绍了三相短路电流的计算过程及计算结果在变电站设计中的应用.     

基于奇异值分解算法的瑞雷波相速度反演研究

进行瑞雷波相速度反演时,在对其频散曲线的线性化过程中,因误差的引入会导致系数矩阵奇异或近似奇异。为解决此问题,利用奇异值分解算法进行瑞雷波相速度反演,可提高低速软弱夹层的反演精度和可靠性;反演时引入权重矩阵提高了数据分辨率;采用自适应修改阻尼因子以提高迭代效果并协调分辨率与解的关系。实测资料试算结果表明,利用奇异值分解算法对瑞雷波相速度进行反演,不但具有稳定性好、精度高、分辨能力强的特点,而且能自动分层和反演地层参数。     

动态背景下的运动目标检测

针对动态背景下运动目标检测的问题,最大限度地降低背景对运动目标检测的影响,提出了一种基于相位相关法和傅里叶梅林变换的动态背景下运动目标检测算法.动态背景下运动目标检测的主要部分是背景运动补偿,首先利用相位相关法和傅里叶梅林变换估计全局运动参量,然后根据全局运动参量利用双线性内插法进行背景匹配,最后对配准后的图像利用帧间差分法提取运动目标.实验表明,该算法具有一定的鲁棒性,能有效地检测动态背景下的运动目标.     

长春地区云检测及云相态反演研究

采用经ENVI几何校正、定标及裁剪等预处理的2008年10月1日04:25和18:00(UTM)的MODIS L1B数据,利用MODIS云检测Ackerman方法及云相态反演红外二光谱技术,对长春地区进行了云检测和云相态反演。从检测及反演结果中看出,云检测及白天云相态反演效果都很好,而在夜晚条件下,由于低温,存在较大面积的不确定相态区域。     

局部相位相关用于图像亚像素级配准技术研究

提出了一种基于局部相位相关的高效和鲁棒的亚像素级图像配准方法。通过传统的相位相关算法估计出初始平移参数后,在初始位置的引导下对互相关功率谱进行上采样矩阵Fourier变换,实现了图像局部相位相关,得到图像间亚像素级平移参数。实验结果表明,算法配准精度较高,且对随机噪声和光照变化具有较强的鲁棒性。     

智能材料和智能结构——形状记忆材料

研究了形状记忆材料,如形状记忆合金、陶瓷和聚合物的结构、生产方法、特性和应用。形状记忆材料具有许多优秀的智能特性,例如传感（热、应力和场）、大行程执行器、高阻尼、自适应响应、形状记忆、超弹性等,可用于各种智能系统。形状记忆材料中的激励感应相变导致了材料的许多独特的性能,支配着材料性质的显著变化。讨论了改进目前材料系统和研发新的形状记忆材料所面临的技术障碍和挑战。     

射频仿真多辐射中心方案设计及幅相误差分析

现有的射频仿真系统在单通道中同一时间只能模拟一个辐射中心,因此难以对多目标与分布式杂波进行仿真。通过改进原有馈电电路并调整开关矩阵与阵列天线的连接顺序,现提出了一套新型的多辐射中心仿真系统的设计方案。新方案能够在单通道单周期中模拟两个辐射中心,为在经费有限、通道数量较少的条件下,模拟多目标和分布式杂波提供了技术基础。为了验证新方案的可行性,利用计算机仿真分析了新型方案引入的幅、相误差对辐射中心位置精度的影响,得出了几种情况下位置误差的统计分布。仿真结果表明,虽然新型方案中的位置误差相对更大些,但其辐射中心的位置精度仍然达到了仿真系统的技术要求,新型方案是可行的。     

基于改进的GRNN的销量预测

根据灯具销量具有增长趋势和周期性二者合成的非线性特点,本文利用相空间重构理论确定GRNN的输入节点数,以加权误差代价函数代替传统误差代价函数为目标训练网络,采用粒子群优化算法优化平滑参数,并在此基础上将GRNN用于灯具销量的短期预测。与传统的BPNN相比,改进后的GRNN预测精度更高,抗噪声能力更强,模型更稳健。