探析路基防护工程类别及选择

公路路基病害不但破坏了公路的平整性,影响路容,而且影响公路通行的正常使用,甚至酿造交通事故的发生,危害人们的生命和财产安全。因此,分析路基防护的影响因素,探索路基防护的有效措施,使用科学合理的防护技术,势在必行。就路基防护工程的类别和选择作出了探析,以期为路基防护工作提供一定借鉴,从而提高路基防护的质量和效果。     

堆载预压联合强夯处理“双层地基土”监测探析

“上松下软”的“双层地基土”在沿江、沿海一带普遍存在,修筑码头堆场和对地基土承载力要求不高的一般轻型建筑物,大面积处理这样的地基土,采用桩基是不经济的。强夯法可以使松散的粗粒土得以密实,预压法可以使深厚的淤泥等软土排水固结,以提高地基土的强度和缩小后期的地基变形;两者结合处理“上松下软”的双层地基土应该是有效的。堆载预压过程中对软土层的沉降、孔隙水压力及周边深层土体水平位移的监测是常规的监测项目,规范、正确地进行野外监测数据的采集,科学、合理、全面地评价施工过程中地基土的稳定和地基处理效果是监测的主要目的。     

基于ADAMS的某站台架设车架设装置动态仿真分析

以某站台架设车架设装置为研究对象,利用Solid Works软件创建了该架设装置三维实体模型,据此在ADAMS/View中对站台架设作业过程进行动态仿真,研究分析了各主要结构部件的受力情况和运动规律,为该机构的设计研究和优化改进提供了依据和参考。     

非饱和含黏砂土路基的湿化变形试验研究

做了12个同时控制吸力和净围压的非饱和含黏砂土三轴剪切试验,旨在探讨吸力、围压对非饱和含黏砂土湿化变形的影响,建立了计算湿化变形的两种模型,并将试验结果分别代人两种模型得出：在相同围压作用下,吸力越大试样的湿化变形量越大;相同吸力作用下,围压越大试样的湿化变形量越小。     

RXPERIMENTAL AND CLINICAL STUDY OF CREATINE KINASE BB ACTIVITY FOR TH E DIAGNOSIS ON BRAIN DAMAGE

Ｔｈｅｂｒａｉｎｔｙｐｅｃｒｅａｔｉｎｅｋｉｎａｓｅｉｓｏｅｎｚｙｍｅ(ＣＫ ＢＢ)ｉｎｃｅｒｅｂｒｏｓｐｉｎａｌｆｌｕｉｄ(ＣＳＦ)ｈａｄｃｌｏｓｅｒｅｌａｔｉｏｎｓｗｉｔｈｈｅａｄｉｎｊｕｒｙ ,ｗｈｉｃｈｈａｄａｔｔｒａｃｔｅｄｐｅｏｐｌｅ’ｓａｔｔｅｎ ｔｉｏｎ[1] .Ｈｏｗｅｖｅｒ,ｔｈｅｒｅｗｅｒｅｆｅｗｓｔｕｄｉｅｓａｂｏｕｔｔｈｅｄｉ ａｇｎｏｓｉｓｏｎｈｅａｄｉｎｊｕｒｙｖａｌｕｅｏｆＣＫ ＢＢ ,ａｎｄｐｒｏｇｎｏ ｓｉｓ .Ｉｎｏｒｄｅｒｔｏｓｔｕｄｙｔｈｅｄｉａｇｎｏｓｉｓａｎｄｐｒｏｇｎ…     

外包钢壳混凝土拱形桥塔节段拼装几何姿态预测研究

赣州市集结大桥主桥为外包钢壳混凝土拱形桥塔斜拉桥,为确保钢混组合拱形桥塔节段拼装精准合龙,采用MIDAS Civil软件建立拱形桥塔空间几何模型,分析外包钢壳和混凝土湿重对桥塔变形的影响,采用切线初始位移法对桥塔施工阶段位移进行预测,通过求解制造线形对桥塔待拼装节段进行预偏修正,并与实测数据进行对比。结果表明：外包钢壳能显著减小桥塔变形;施工阶段桥塔变形主要由混凝土湿重引起,临时支撑能有效减小混凝土浇筑产生的横向变形。基于切线初始位移法的几何姿态预测方法能有效预测桥塔拼装全过程几何姿态,实测成桥阶段桥塔各节段最大偏位为6 mm,小于施工控制要求,具有较高的实施精度,可保证成桥状态下桥塔几何姿态的准确性。     

基于内河航标的船舶智能识别和避碰预警系统的研究与实现

本文介绍了一种基于内河航标的新型智能化无人值守视频监测系统的研发,可有效解决内河航标被船舶碰触失常报警的实时核对与监测的棘手难题.通过研究,该系统通过嵌入航标灯的视频摄像头和神经网络计算芯片,在嵌入式设备中进行深度学习和神经网络计算,实现了传统被动示警设备变为主动预警设备,赋予了航标灯人工智能的识别和分析能力.可以对航...     

马自达车加速不良

一辆马自达（MAZDA）宠儿（PROTEGE）轿车,装备DOHC16气门四缸电控发动机。发动机怠速不稳,易熄火,加速不良,行驶中故障指示灯点亮,换档加速时有“后坐”的感觉。     

切诺基轿车高速发抖诊断与排除

故障现象：一辆切诺基轿车,车速为90km／h时发抖。     

Inverse Learning Control of Nonlinear Systems Using Support Vector Machines

An inverse learning control scheme using the support vector machine (SVM) for regression was proposed. The inverse learning approach is originally researched in the neural networks. Compared with neural networks, SVMs overcome the problems of local minimum and curse of dimensionality. Additionally, the good generalization performance of SVMs increases the robustness of control system. The method of designing SVM inverse learning controller was presented. The proposed method is demonstrated on tracking problems and the performance is satisfactory.