日照港区风化花岗岩力学指标和疏浚参数相关性分析

以山东日照港区重型绞吸船开挖风化花岗岩为例,依据疏浚区域岩石性质进行疏浚区域划分,进行风化花岗岩力学指标和疏浚参数相关性分析,建立疏浚区域风化花岗岩力学指标标准贯入击数和疏浚参数经验性公式。基于疏浚工程施工中疏浚生产率、风化花岗岩的分布和力学性质的相互关系,将重型绞吸船开挖日照港风化花岗岩的难易程度进行等级划分,为重型绞吸船开挖风化花岗岩提供施工技术支持。     

《现代修船管理》

<正>《现代修船管理》是一部全面系统介绍现代修船管理与技术的专著,是在总结改革开放30年来我国修船管理和技术成果以及参考国内外先进修船管理与技术资料基础上编著而成。该书由时凤俊同志策划,修船学委会组织审核,由当今我国船舶行业众多修船业专家、教授以及来自基层主要修船业一线权威人士撰写而成。全书约20万字,共分十章,内容涉及修船业现状与发展、经营管理、工艺技术、改装设计、     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

驾驶经验对安全车速选择影响的研究

为研究驾驶员的驾驶经验对安全车速选择的影响,采用情景试验的方法,对驾驶员安全车速的感知进行了试验.研究结果表明:在不考虑驾驶车辆性能、驾驶任务缓急的情况下,驾驶经验对驾驶员安全车速的选择产生较大影响,有经验的驾驶员安全车速的选择在限速范围内相对集中,受道路及环境约束变化的影响较小,安全车速较为均衡;而无经验的驾驶员安全...     

广州南部快速路沙湾大桥施工经验探讨

连续刚构桥由于重量轻,线条流畅,施工快捷,被国内外广泛应用于水陆交通的大跨度桥梁设计,但因结构复杂,技术含量高,施工难度大,稍为疏忽便留下工程隐患,影响行车安全、维修成本和使用寿命。简要介绍荣获广东省、广州市市政优良样板工程的沙湾特大桥的施工方法和施工经验。     

又好又快重任在肩——长沙市农村公路建设的调查

阐述了农村公路建设所带来的变化,调查分析了农村公路建设的主要经验与存在的问题,提出了解决措施与建议.     

浅谈海东市农村公路养护管理

本文深入分析了海东市农村公路养护管理工作的成功经验和做法,并提出了存在的问题,同时有针对性地提出了加强海东市农村公路养护管理工作的意见和建议。     

中国共产党党内政治生态建设的百年历程与经验启示

政治生态是反映政治环境、政治系统和政治现实的一种状态,党内政治生态好坏影响党的事业兴衰成败,关系到巩固党的长期执政地位和国家的良序善治。中国共产党成立百年来,能够始终走在时代前列、赢得中国人民的信任,其中关键因素就是党内政治生态总体上是健康的。百年来,在革命、建设和改革的不同历史时期,党根据政治生态环境变化与时俱进地加强党内政治生态建设,积累了宝贵的历史经验,为新时代持续推进党内政治生态建设提供了重要参照。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...