平面张弦结构粘弹性阻尼器振动控制研究

该文针对采用粘弹性阻尼器替换平面张弦结构跨中撑杆的振动控制方法,开展理论分析和数值仿真研究,揭示其振动控制机理,阐明振动控制效果。推导了上弦节点静力位移公式并推广至动力分析,结合撑杆动力学方程,揭示了粘弹性阻尼器替换平面张弦结构跨中撑杆振动控制耗能机理以及阻尼器刚度系数K与阻尼系数C对结构耗能效果的影响规律,依据耗能最大原则提出了实现最佳减振效果的阻尼器参数取值依据和方法。基于该文提出的刚度系数与阻尼系数取值方法,针对跨度60 m、100 m的张弦梁结构开展了粘弹性阻尼器替换张弦梁结构跨中撑杆参数化数值仿真。由参数化仿真可知,结构峰值加速度、峰值位移和峰值索内应力最大减振效果分别可达42.58%、30.54%和39.05%。减振结构可以满足结构安全以及正常使用需求。证明了粘弹性阻尼器替换平面张弦结构跨中撑杆是有效的振动控制方法,验证了该文提出的振动控制机理的有效性和阻尼器参数取值方法的适用性。     

基于深度学习的沈阳市春节期间PM2.5浓度预测研究

本文利用2016年—2022年沈阳市春节期间逐时空气质量监测数据和气象因子观测资料,基于贝叶斯参数优化,建立了GRU、LSTM深度学习模型以及LGBM、XGBOOST、RF、GBDT树集成学习模型,并且通过4种错误度量标准,将模型进行对比进而得出预测PM_2.5浓度的最优模型。结果表明：GRU模型的PM_2.5浓度预测准确度最高、训练速度最快、模型最简单,其MSE为32.160,R2为0.973,其次为LSTM模型,GBDT模型的预测效果最差。同时整体来看,深度学习模型要优于常见的树集成学习模型。     

改进果蝇算法优化广义回归神经网络的双陷波超宽带天线建模

为实现对双陷波超宽带(UWB)天线的精准神经网络建模,提出了一种利用改进的果蝇算法(FOA)优化广义回归神经网络(GRNN)的建模方法。该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。这样可以避免果蝇算法陷入局部最优,提高模型预测精度。将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。