检具设计对汽车覆盖件测量影响研究

运用Dynaform软件对汽车提升门内板检具的两种设计方案进行了仿真模拟,分析了重力单独作用及重力与回弹力综合作用下零件的尺寸变化。结果表明,提升门内板检具放置方向应设计为车身坐标方向,以满足零件测量要求;在对产品进行仿真分析时,除了对零件进行生产状态下的回弹分析以外,还需要考虑零件在检具上只有主基准支撑及夹紧状态下的重力影响。     

舟山钓梁二期围垦工程潮流泥沙数值分析

通过建立平面二维潮流泥沙数学模型并采用实测资料对模型进行验证,模拟了钓梁二期围垦工程南堤实施前后的潮流场,分析了围垦南堤建设后对螺门码头附近海域潮流的影响及冲淤变化情况。研究结果表明:围垦南堤的实施使得码头群东侧海区流速减小较明显。围垦南堤实施后钓梁湾内海域整体呈现淤积状态,平均淤积强度在0.8 m/a左右,码头前沿海域平均淤积强度约为1.1 m/a。     

台风浪数值模拟中风场权重系数分析

文章采用藤田气压模型与背景风场构造的合成风场,驱动SWAN波浪模型,模拟不同权重系数下经过东中国海海域的6个北上行台风,在对比分析模拟结果之后,提出了权重系数的改进措施,有效的优化了风场的构造方式以及波浪场的模拟精度。     

高速射弹小角度入水数值模拟研究

采用基于RANS方程的CFD方法,结合VOF多相流模型和动网格技术,并考虑水的可压缩性,研究带尾翼射弹高速小角度入水时的空泡发展和弹体姿态变化,分析入水角和入水攻角对射弹运动稳定性的影响。研究发现,射弹入水初期空泡呈现不对称性,锥段部分区域沾湿,导致弹体抬头而形成正攻角,加剧了空泡的不对称性,从而引起跳弹和失稳。随着入水角增大,射弹入水稳定性增强。负攻角可以增强射弹入水稳定性,稳定性随负攻角的增大而增强;在正攻角下射弹稳定性随着攻角增大呈现先增强后降低的变化。     

����ʵ�����ݵ��г��µ���������ģ���о�

为了使列车运行仿真计算结果与实测的列车运行数据更接近,确保仿真系统能够切实有效地分析研究铁路运输生产实际,通过对比研究牵引计算方法计算结果与列车运行监控记录装置实测的数据之间的差异,识别出误差产生的主要原因,并分析了计算误差与坡道类型及列车编组之间的影响关系. 通过理论计算与实验测试,提出了基于测试结果对列车坡道阻力计算模型进行修正的方法与模型. 对修正计算模型和原始模型的计算结果与实测数据进行对比分析,结果表明,修正后的计算模型与实测数据更加吻合,平均计算误差从14％降低到5％. 目前,该模型已成功应用到内燃牵引货运列车节能优化操纵指导系统,取得了良好的实用效果.     

地铁工程深基坑施工监测技术应用

以地铁深基坑工程为例,首先分析了深基坑的变形机理及影响因素,进而全面深入地阐明了地铁深基坑工程的监测技术及实际应用效果,同时还预测了此项监测技术的发展前景。     

双向通航港口船舶调度优化模型与算法

为提高双向通航港口船舶调度的安全性和调度效率,研究双向通航港口船舶调度优化模型和算法。考虑船舶属性和船舶交通状况等因素,基于船舶调度安全性、连续性和高效性要求,建立以单向/双向通航模式转换、航道与泊位协调和安全性为约束的双向通航港口船舶调度多目标优化模型;设计双向通航港口船舶调度多目标遗传算法获取最佳调度方案。对试验所求的调度方案进行一般性安全检验、双向通航安全检验和双向通航与单向通航转换安全性检验,结果表明:提出的双向通航港口船舶调度优化模型与算法能在保证安全的前提下有效获取船舶调度方案,提高双向通航港口船舶调度效率。     

通州湾区域用海对近岸波浪场的影响

采用CCMP背景风场与Holland梯度风场模型叠加构建新的SWAN驱动风场,对台风"梅花"期间东中国海的波浪场进行数值模拟,并结合卫星数据进行验证,讨论了拖曳力系数饱和值的最适选取,以给小范围提供最佳波谱边界。运用SWAN自嵌套进行小范围数值模拟研究,结合波浪测站实测数据进行对比,对区域用海后保留通道的两种方案进行对比分析。结果表明,台风期间保留西通道较东通道有效波高更小,所取特征站位平均减幅0.10m,最大降幅达0.25m。     

基于边权重图神经网络的一阶逻辑前提选择

为提高自动定理证明器在大规模问题中证明问题的能力,前提选择任务应运而生.由于公式图的有向性,主流的图神经网络框架只能单向地对节点进行更新,且无法编码公式图中子节点间的顺序.针对以上问题,提出了带有边类型的双向公式图表示方法,并提出了一种基于边权重的图神经网络（edge-weight-based graph neural network,EW-GNN）模型用于编码一阶逻辑公式.该模型首先利用相连节点的信息来更新对应边类型的特征表示,随后利用更新后的边类型特征计算邻接节点对中心节点的权重,最后利用邻接节点的信息双向地对中心节点进行更新.实验比较分析表明：基于边权重的图神经网络模型在前提选择任务中表现得更加优越,其在相同的测试集上比当前最优模型的分类准确率高了约1%.