基于加权Kendall相关系数和序贯代理模型的有限元模型修正

为了提高桥梁结构有限元模型修正的效率和效果，提出基于加权Kendall相关系数和序贯代理模型的有限元模型修正方法。首先，建立基于目标响应误差和待修正设计参数灵敏度的加权Kendall相关系数指标，并采用凝聚层次聚类算法，合理确定待修正设计参数的数量和位置，保证待修正设计参数对目标响应具有合适的解耦能力；其次，为解决传统一次性代理模型法在构造代理模型过程中产生的欠采样或者过采样的问题，采用基于FLOLA-Voronoi通用序贯设计策略的序贯代理模型法，提高构造代理模型过程中试验设计样本的利用率和模型修正效率；最后，根据一座斜拉桥的静动力荷载试验数据进行有限元模型修正。结果表明：基于FLOLA-Voronoi算法的序贯代理模型能够合理地确定构造代理模型所需的样本数量和位置，使得在相同样本数量的情况下，序贯代理模型比一次性代理模型具有稍好的精度指标；采用加权Kendall相关系数指标的聚类方法可以得到具有合适解耦能力的待修正设计参数，使得修正前大误差目标响应的误差显著下降，小误差目标响应的误差基本都处于合理范围内，有效地降低了目标响应的整体误差；同时，有限元理论静动力响应与实测静动力响应的平均误差分别由5.56%、8.43%降低至1.87%、3.41%，并且相较于常规方法，修正精度更好，所提方法可以用于桥梁结构有限元模型修正，可得到准确的桥梁结构数值模型。     

谈公路工程标书的实质性响应

公路工程实行招投标制度是规范市场经济秩序的重大举措。做好公路工程标书的实质性响应的评价工作，是体现公正、公平、公开原则的重要环节。结合国内外招投标实践，从标书的完整性、算术性修正、商务的实质性响应、技术的实质性响应、标价的合理性等方面，定性与定量相结合，论述了标书的实质性响应，对公路工程评标具有指导性意义。     

一种基于改进的减缩模型修正方法

提出一种改进的模型修正方法,该方法采用多目标优化技术使得结构的减缩模型与实测结果相吻合。即首先建立一个多目标优化模型,其中包括一个关于单元修正系数的隐式非线性特征方程组,然后通过遗传算法来求解该多目标优化问题,来同时实现模型修正和损伤检测。文中通过对一个悬臂梁的数值仿真,表明本文所提出的方法的有效性,即在较大的测量噪声的情况下,同时具有模型修正和损伤检测两种功能,且较改进前的基于迭代的方法具有更好的噪声鲁棒性。     

Prediction of thermal environment via revision of PMV index with body temperature

PMV （Predicted Mean Vote） is a widely used index for evaluating the thermal environment. However, few studies have been conducted to take physiological values directly as evaluating indices. This paper assumes a linear relation between body temperature and both sweating rate and heat produced by shivering, and introduces the linear relation into the human heat balance equation to revise the classic PMV. And the assumption of linear relation is subsequently proved. The revised PMV possesses the same characteristic of dependent heat load as that of the classic one, and moreover it is convenient to be calculated.     

三间房站驼峰减速器制动修正参数使用规律分析

文中对三问房编组站驼峰调车场调速修正量(人工修正值)的使用规律进行了全面的总结分析，提出了有一定指导意义的理论数据，对其它大型编组站总结掌握调速修正量具有很好的借鉴作用。     

基于改进灰色模型的电力系统负荷预测

传统的灰色预测模型因其所需历史数据少、计算快、对平稳地区的负荷预测有较高精度等优点,曾被广泛应用。但传统的灰色预测模型对于历史数据要求较高,最好为指数形式,并且在数据波动较大的情况下,其预测误差可能变得较大,不符合实际需要。为了减小预测误差,本文在传统灰色模型的基础上,首先对部分历史数据进行平滑处理,以确保其光滑性,同时对历史数据进行等维处理,不断的剔除旧数据,增加新数据,最后进行灰色循环残差修正,在原始数据和预测模型两个方面进行了修正,提高了电力负荷预测精度。