基于球形硅微粉的新型透明黏土基本力学特性试验

透明土试验技术是近年来发展起来的一种新的变形可视化技术，包括透明土的制备和图像捕捉与处理方法等。通过此技术可以对透明土体内部的变形和渗流过程进行观测以实现土的三维变形、强度和渗流等问题的可视化研究。目前应用最多的透明土有2种：第1种是以熔融石英砂为土骨架，正十二烷和15^#白油的混合溶液配制透明砂土，第2种是利用无定型硅微粉配制的透明黏土。透明砂土已经有了较成熟的研究，然而针对透明黏土的研究还不够成熟和深入，应用光学技术搭配透明介质研究土体三维变形和流动规律时，有两点要求不可忽略，一是透明土需要通过激光束对其进行切面，再利用数字照相技术进行图像采集与分析，因此配制出的透明土透明程度要高；二是配制的透明土其基本力学特性要与真实土体性质接近。目前所研究的透明黏土存在透明度不高，强度太低等诸多问题。为此，选取球形硅微粉作为透明土骨架材料，15^#白油与正十二烷溶液混合溶剂作为孔隙流体配制新型透明黏土，对新型透明黏土进行直剪试验、一维压缩试验以及渗透试验，研究配制的新型透明黏土用于模拟真实黏土的可行性。试验结果表明：以球形硅微粉为土骨架，15^#白油与正十二烷溶液混合溶剂作为孔隙流体制作的新型透明黏土，其土体的强度特性和压缩系数与粉质黏土特性相似，可以满足模型试验要求。     

T形梁桥弯桥直做荷载横向分配系数的空间板壳模型评价

利用空间板壳模型对孔径30m的1孔简支T形梁桥在3个车队超20级汽车荷载作用下，1／2、1／4孔径和支座边等位置的车辆荷载横向分配系数进行分析，结果显示：弯桥荷载横向分布系数相对直桥荷载横向分布系数相差很小。     

交-直-交传动系统网侧变流器预测电流控制方法的计算机仿真及实现

简要介绍了四象限变流器工作原理，提出了一种新的预测电流控制方法，该控制方法不仅可以直接控制变流器的输入电流，而且能够保证开关器件的开关频率固定不变，控制算法易于实现。通过计算机仿真对这种控制方法进行了模拟，仿真结果说明了这种方法的可行性并表明该控制方法的动、静态特性良好。在仿真的基础上进行了系统试验，从仿真和试验的波形对比可以看出仿真结果的正确性，表明该控制方法满足了四象限变流器的设计要求，是一种比较理想的控制方法。     

红砂岩力学性能室内大型直剪试验研究

红砂岩在风化崩解过程中,抗剪强度大幅降低,易引起红砂岩质边坡顺层坍滑。为研究其边坡滑塌的力学机制,采用单点法在边坡软弱岩层位置取样、制样,并通过室内大型直剪试验来模拟红砂岩岩层结构面的摩擦剪切情况。试验结果表明：未风化崩解的红砂岩块经历多次干湿循环,其岩层界面的力学性能显著下降,并由此导致其边坡失稳。     

汽车薄壁直梁抗弯曲特性的仿真研究

针对汽车前纵梁在斜向碰撞中出现的抗弯能力不足,在刚性墙极限倾角下发生欧拉变形的问题,利用HyperMesh软件建立了薄壁梁斜向碰撞有限元模型,LS-DYNA求解。分别分析了梁长度/截面宽,高、接触面摩擦系数、壁厚对梁抗弯能力的影响。从中得出了一些提高薄壁梁抗弯能力的有意义的方法。     

新型系留方式在突堤式浮码头工程中的应用

洋山深水港区工程工作船避风港池浮码头建设采用突堤式布置形式,传统的系留方式不能满足其要求。本文创新地提出3根直桩定位趸船的系留方式,陆侧采用2根1 200 mm钢管桩,海侧采用1根1 500 mm钢管桩构成稳定的支撑体系,使码头荷载均匀分配,结构受力明确。趸船抱桩装置上设置可拆卸挡板,便于港池疏浚施工或趸船维修时移出趸船。     

方箱与直墙间窄缝内流体共振的试验研究

窄缝流体共振现象广泛见于海上多浮体联合作业以及码头前的船舶靠泊。文中以直墙前固定方箱的窄缝流体共振问题为简化模型,开展了室内试验工作,考虑了不同的入射波频率和波高的影响作用。研究工作表明,试验观测到的共振波高可达到入射波波高的7倍以上,且共振波高随入射波波高呈幂函数关系增大。直墙一窄缝一方箱系统的反射系数对方箱吃水深度、窄缝宽度和入射波波高存在复杂的非线性依赖关系,这体现了共振响应过程中的机械能损耗机制。     

直推式自卸车液压缸最优安装位置确定

以某轻型自卸车为例,阐述了直推式自卸车举升机构的主要结构特点,推导出“对于直推式自卸车,以液压缸的初始安装长度为底边,货箱翻转轴为顶点,所组成等腰三角形的举升机构,在货箱初始位置时,液压缸具有最大的工作力臂”的理论及相关的计算公式,从而可以很方便地确定直推式自卸车倾液压缸的安装位置,并以实例证明应用该理论所确定的液压缸安装位置为最优。     

直伸式高空作业车臂架焊接工艺及变形矫正

针对高空作业车臂架焊接时易出现的变形问题,分析了焊接变形产生的原因,阐述了合理的臂架焊接工序及焊接变形矫正措施。     

一种基于TCM-SVDD的样本类别标注方法

船舶机械噪声源的识别是一个小样本条件下的模式识别问题,采用增量学习是解决此问题的一条有效途径。但在进行增量学习以前,必须对新增样本的类别进行有效识别。为有效识别新增样本的类别,提出一种新的TCM-SVDD方法。首先,通过支持向量数据描述（SVDD）方法获得训练样本与新增样本的拉格朗日乘子;然后,将其作为该样本的奇异值代入直推置信机（TCM）中,估计新增样本属于不同类别的置信度,并将其与预设的置信水平进行比较;最后,剔除新增样本中的异类样本,实现增量学习。试验结果表明,该方法能快速、准确地识别异类模式样本,对训练样本集中混有少量异类模式样本的情况不敏感,而且可以控制对异类样本的检测准确率,自动化程度高。