BIM技术在当代桥梁设计中的应用与分析

BIM技术是近年来发展起来的新技术,对桥梁建设来说,这一技术可以有效的对整体工程有可视化、智能化的宏观把握,有效探索的这一技术在桥梁建设中的应用,对于提升项目设计图纸和相关技术质量有十分重要的意义。本文就是结合作者长期工程实践的经验,对这一技术在当代桥梁设计中的相关问题进行分析。     

相转移催化合成芳基烷基醚

报道了以四丁基溴化铵为相转移催化剂，简便地合成了１０个芳基烷基醚，反应几乎是定量地快速进行。     

多功能转盘送料机构的设计与应用

多功能转盘送料机构的设计与应用３３０００２南昌江西省机械科学研究所涂常新，何秋涛金属钮扣生产需要大量、连续、安全的自动送料装置。为了满足产品外观质量的要求，降低劳动强度，提高生产率，我们设计了一种机械驱动式转盘送料机构。经过不断改进、完善使之具有排列...     

用Illustrator创建PDF文档

PDF格式是Adobe Acrobat使用的一种便携式文档格式,该软件是Adobe公司开发的跨平台电子出版软件,PDF可以同时表示矢量和位图图形。虽然PDF页面等同于PostScript页面,但由于PDF文件还包括电子文档查找和导航功能,而且PDF文件可以包含超文本链接以及电子目录表,因此PDF文档特别适合电子出版。 Illustrator作为一个功能强大的图形编辑软件越来越受到平面设计人员的青睐,我们可以将一个Illustrator     

您关心报纸的印刷质量吗?

报纸作为一种大众媒体与我们的生活息息相关．您大概每天都读报纸．您也许经常接触报纸，您关心报纸的印刷质量吗？     

美国纽约市的发展与规划展望

纽约市发展的沿革与背景 纽约市位于大西洋的西岸,350年以前由曼哈顿岛的最南边开始发祥,经过一百多年的发展之后,成为荷兰及英国殖民的重地。由于它负担着大西洋两岸的贸易,所以发展相当迅速,很早就成为一个连系欧洲和美国的国际性都市。     

堆积体内部裂隙对降雨入渗的影响

降雨条件下滑坡体稳定性与裂隙诱发入渗密切相关。为了探究裂隙发育对堆积体降雨入渗的影响,以澜沧江某巨型堆积体坡表发育的裂隙现象为出发点,设计了均质堆积体和主-次裂隙堆积体2种模型。通过室内物理模拟试验及数值分析,并结合土体中的含水率、基质吸力、湿润锋迁移速度及深度的变化趋势可得出以下结论:裂隙型堆积体在降雨1 h和观测23 h的整个时间段内,其湿润锋迁移变化趋势可归纳为入渗加速→峰值→入渗减速→趋向于0;裂隙的存在为雨水入渗提供了有利的通道,雨水可到达土体深部,形成暂态饱和区,随降雨结束又逐渐消散;降雨在裂隙型发育的堆积体中的入渗过程可分为4个阶段,即前期完全入渗、裂隙下方强烈入渗、补偿加速入渗及水平侧渗。研究结果可为后续滑坡复活机理和稳定性评价提供参考。     

异型材口模挤出三维流动计算机模拟系统

建立了异型材口模挤出三维流动计算机模拟系统的基本框架，介绍了其结构和功能，该系统主要包括前置处理，有限元分析和后置处理三大模块，有限元分析模块又包括对口模内幂律流动的分析模块，粘弹性PTT流体流动的分析模块以及粘弹性PTTI充体三维挤出胀大的分析模块，后置处理主要包括速度场和应力场的后置处理。该系统目前只是一个雏形，经过不断发展和完善，有望成为异型材口模挤出过程模拟的通用分析软件。     

Re-GAN：残差生成式对抗网络算法

目的 生成式对抗网络（generative adversarial network,GAN）是一种无监督生成模型,通过生成模型和判别模型的博弈学习生成图像。GAN的生成模型是逐级直接生成图像,下级网络无法得知上级网络学习的特征,以至于生成的图像多样性不够丰富。另外,随着网络层数的增加,参数变多,反向传播变得困难,出现训练不稳定和梯度消失等问题。针对上述问题,基于残差网络（residual network,ResNet）和组标准化（group normalization,GN）,提出了一种残差生成式对抗网络（residual generative adversarial networks,Re-GAN）。方法 Re-GAN在生成模型中构建深度残差网络模块,通过跳连接的方式融合上级网络学习的特征,增强生成图像的多样性和质量,改善反向传播过程,增强生成式对抗网络的训练稳定性,缓解梯度消失。随后采用组标准化（GN）来适应不同批次的学习,使训练过程更加稳定。结果 在Cifar10、CelebA和LSUN数据集上对算法的性能进行测试。Re-GAN的IS （inception score）均值在批次为64时,比DCGAN （deep convolutional GAN）和WGAN （Wasserstein-GAN）分别提高了5%和30%,在批次为4时,比DCGAN和WGAN分别提高了0.2%和13%,表明无论批次大小,Re-GAN生成图像具有很好的多样性。Re-GAN的FID （Fréchet inception distance）在批次为64时比DCGAN和WGAN分别降低了18%和11%,在批次为4时比DCGAN和WGAN分别降低了4%和10%,表明Re-GAN生成图像的质量更好。同时,Re-GAN缓解了训练过程中出现的训练不稳定和梯度消失等问题。结论 实验结果表明,在图像生成方面,Re-GAN的生成图像质量高、多样性强;在网络训练方面,Re-GAN在不同批次下的训练具有更好的兼容性,使训练过程更加稳定,梯度消失得到缓解。