排序方式: 共有7条查询结果,搜索用时 156 毫秒
1
1.
2.
中缅油气管道澜沧江跨越段峡谷年平均风速12.4 m/s,最大风速可达30.7 m/s。澜沧江跨越桥在风载作用下非线性振动特性较突出,跨越段管道易产生横纵向位移,从而产生变形及应力增大问题,对管道安全造成影响。文中采用有限元分析方法,对大跨度管道悬索跨越在风载作用下的变形及应力变化问题进行了分析,建立了有限元模型,模拟了风载作用下悬索桥及管道的应力及变形状况。分析了不同检验风速的影响,得到了管道的应力及变形结果。结果表明:管道的最大应力随风速增加呈线性增大,管道达到许用应力的最大风速为240 m/s,约为其所在位置所受极限风速(60.1 m/s)的4倍,故该段悬索跨越管道在极限风速下处于安全状态。 相似文献
3.
地表沉降是隧道施工中出现的主要形变,地表沉降程度直接关系到周边构筑物的安全和地铁施工工程质量,如何利用监控量测获取的地表沉降数据,找出地表沉降规律,反馈后续施工,是非常值得探讨的课题之一.利用SPSS软件,结合北京地铁16号某标段的实测数据,建立多种模型对数据进行回归分析,拟合出不同的曲线并分析比较不同模型的精度,得出最为符合实际情况的预测模型表达式.经分析研究与实例验证,该模型在一定程度上具有很好的可靠度与可行性. 相似文献
4.
目前基于深度学习的路面裂缝识别经常面临训练数据集小,以及路面图片标注成本高等问题,基于小规模路面图片数据集,利用卷积自编码(CAE)方法进行数据增强,开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上,采用CAE重构图片方法对原始数据集进行两步骤扩增;利用卷积神经网络DenseNet,设置了不同数据扩增方法的对比试验;针对沥青路面裂缝图片背景较黑,裂缝特征不清晰,无监督聚类学习难度大等问题,采用了一种基于CAE预训练的深度聚类算法DCEC,对经数据增强的路面图片进行无标注的聚类识别。研究结果表明:经过DenseNet网络100代的训练,在同一测试集的测试下,基于原始数据集训练的网络分类准确度为78.43%,利用传统图像处理方法进行扩增后准确度为83.44%,利用所提出的图片增强方法进行数据扩增后准确度达87.19%;在保持扩增后数据集样本量大小相同的情况下,与几何变换、像素颜色变换等经典数据增强手段相比,CAE重构图片的数据扩增方法有较高的路面图片识别精度;CAE数据扩增方法较受训练数据集样本量的影响,利用传统方法将数据集扩增后进行CAE特征学习,重构后的图片样本更易被机器识别;相较于传统机器学习聚类算法,所提出的的DCEC深度聚类方法将聚类准确率提升了约10%,初步实现了无需人工标注的路面目标的端到端智能识别。 相似文献
5.
介绍了用ATMEGA128单片机在线配置FPGA的软件及硬件设置方法.重点介绍了PC机与单片机的接口电路的设计,单片机在线配置FPGA的控制电路的设计以及数据的配置方式. 相似文献
6.
7.
为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领城的可行性和有效性. 相似文献
1