全文获取类型
收费全文 | 690篇 |
免费 | 21篇 |
专业分类
公路运输 | 222篇 |
综合类 | 119篇 |
水路运输 | 190篇 |
铁路运输 | 141篇 |
综合运输 | 39篇 |
出版年
2024年 | 7篇 |
2023年 | 19篇 |
2022年 | 27篇 |
2021年 | 33篇 |
2020年 | 30篇 |
2019年 | 28篇 |
2018年 | 28篇 |
2017年 | 6篇 |
2016年 | 8篇 |
2015年 | 24篇 |
2014年 | 28篇 |
2013年 | 26篇 |
2012年 | 33篇 |
2011年 | 44篇 |
2010年 | 34篇 |
2009年 | 33篇 |
2008年 | 31篇 |
2007年 | 34篇 |
2006年 | 27篇 |
2005年 | 25篇 |
2004年 | 12篇 |
2003年 | 17篇 |
2002年 | 9篇 |
2001年 | 16篇 |
2000年 | 21篇 |
1999年 | 5篇 |
1998年 | 7篇 |
1997年 | 6篇 |
1996年 | 2篇 |
1995年 | 9篇 |
1994年 | 13篇 |
1993年 | 15篇 |
1992年 | 8篇 |
1991年 | 12篇 |
1990年 | 8篇 |
1989年 | 7篇 |
1988年 | 1篇 |
1986年 | 2篇 |
1985年 | 3篇 |
1984年 | 2篇 |
1983年 | 1篇 |
1982年 | 3篇 |
1981年 | 1篇 |
1980年 | 3篇 |
1979年 | 1篇 |
1965年 | 1篇 |
1964年 | 1篇 |
排序方式: 共有711条查询结果,搜索用时 15 毫秒
691.
692.
693.
配合盾构法修建地铁车站的技术方案 总被引:8,自引:0,他引:8
在介绍国外利用盾构法技术修建地铁车站的基础上,针对我国目前修建地铁区间盾构隧道时,采用直径6m左右单线隧道的实际情况,提出了在区间盾构隧道的基础上扩建地铁车站的4种施工方案.根据广州地铁3号线林和西路站的主要技术标准、修建规模以及各施工方案的特点,设计了相应的车站结构.最后,讨论了应解决的主要技术问题,包括施工步骤、车站结构设计方法、特殊管片的设计、环境控制和工程造价. 相似文献
694.
为了研究纤维掺量对玄武岩纤维水泥改良风积沙的孔隙结构和无侧限抗压强度的影响,开展核磁共振试验和无侧限抗压强度试验。试验选用玄武岩纤维,纤维掺量分别为0%,0.2%,0.5%,0.8%,1.1%,1.4%,1.7%,水泥掺量为5%,风积沙来自新疆和若铁路工地现场。核磁共振试验结果表明,水泥改良风积沙的T2弛豫时间为0.37μs~1.98 s,对应的孔隙半径为0.74 nm~0.39 mm;而玄武岩纤维水泥改良风积沙的T2弛豫时间为0.31μs~1.07 s,对应的孔隙半径为0.61 nm~0.21 mm。与未掺纤维的水泥改良风积沙试样相比,纤维掺量为0.8%的玄武岩纤维水泥改良风积沙试样中的大孔占比减少了25.7%,中孔占比增加了12.7%,而微孔和小孔占比变化较小。无侧限抗压强度试验研究结果表明,水泥改良风积沙试样的无侧限抗压强度和峰值应变分别为0.80 MPa,1.29%,与水泥改良风积沙相比,玄武岩纤维水泥改良风积沙试样无侧限抗压强度的强度增强比为1.14~1.54,最优纤维掺量为0.8%;而玄武岩纤维水泥改良风积沙的峰值应变与纤维掺量正相关,延性增强比为1.43~2.67。掺入纤... 相似文献
695.
696.
697.
698.
699.
针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准,从而造成识别精度较低的问题,研究了基于改进U型神经网络(Unet)的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络,难以提取更复杂的裂缝特征信息,故本文以牛津大学视觉几何组网络(VGG16)作为传统Unet的特征提取网络,提高网络的裂缝特征提取能力;为抑制高低阶特征融合时产生的无用特征,本文在模型解码部分添加压缩与激励单元(SE block),构建裂缝注意力单元,使得网络可以关注不同通道下的裂缝特征,建立了基于SE block和VGG16的改进Unet网络(SE-VUnet)。研究采用迁移学习的方法,将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集,并使用摄像头采集图片构建1 600张路面裂缝数据集,再次训练SE-VUnet模型,获得裂缝区域分割结果。以查准率(precision)与查全率(recall)的加权调和平均值F1和雅卡尔(Jaccard)相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1,相比于Unet分别高出了1.04%和1.51%,且均高于其他3种对比模型;SE-VUnet的单帧图片预测时间为89 ms,在分割效果提升明显的情况下仅比Unet慢5 ms,优于其他模型。 相似文献
700.