全文获取类型
收费全文 | 18786篇 |
免费 | 1135篇 |
专业分类
公路运输 | 6190篇 |
综合类 | 5951篇 |
水路运输 | 4336篇 |
铁路运输 | 2932篇 |
综合运输 | 512篇 |
出版年
2024年 | 237篇 |
2023年 | 876篇 |
2022年 | 983篇 |
2021年 | 1120篇 |
2020年 | 825篇 |
2019年 | 785篇 |
2018年 | 377篇 |
2017年 | 473篇 |
2016年 | 462篇 |
2015年 | 623篇 |
2014年 | 902篇 |
2013年 | 848篇 |
2012年 | 944篇 |
2011年 | 969篇 |
2010年 | 1026篇 |
2009年 | 1040篇 |
2008年 | 1099篇 |
2007年 | 983篇 |
2006年 | 786篇 |
2005年 | 709篇 |
2004年 | 601篇 |
2003年 | 647篇 |
2002年 | 496篇 |
2001年 | 494篇 |
2000年 | 319篇 |
1999年 | 203篇 |
1998年 | 202篇 |
1997年 | 181篇 |
1996年 | 168篇 |
1995年 | 109篇 |
1994年 | 100篇 |
1993年 | 61篇 |
1992年 | 74篇 |
1991年 | 89篇 |
1990年 | 57篇 |
1989年 | 48篇 |
1988年 | 2篇 |
1987年 | 1篇 |
1965年 | 1篇 |
1955年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
171.
172.
173.
174.
175.
本文提出了一种基于改进遗传算法的软删除双向渐进结构优化法(G-BESO),以解决传统双向渐进结构优化法(BESO)中参数(如进化率)设置不当而导致无法获得最优拓扑构型的问题.首先确定单元权重系数与单元密度的递推关系式,形成一种考虑单元密度历史信息的材料插值模型,从而增强恢复误删高效单元的能力.然后引入遗传算法中的交叉和变异操作,启发式地更新结构状态以提高全局寻优能力.最后将该方法编写成可用于实际工程结构优化设计的程序.算例表明,提出的方法能稳定得到最优拓扑形状且计算效率更高,可为工程结构的拓扑优化设计提供一定参考. 相似文献
176.
177.
CATIA凭借其优秀的曲面造型能力,广泛应用于市政行业,但其本身并不具备地质建模能力,相关应用也相对较少.现针对地质数据传递困难、地层建立过程复杂等问题,基于CATIA进行地质BIM模型建模方法研究.采用DACE工具箱的克里金模型拟合地质界面数据,结合CATIA软件优秀的曲面造型能力建立地形实体和地质界面,最终提供一种适用性高的地质BIM模型创建方法.结合3DE平台和CATIA的协同设计功能,保证了地质数据的有效传递,增强勘察专业与其他专业的工作协同,较好地解决了岩土相关的实际应用需求. 相似文献
178.
文章从横向控制原理和车辆动力学域角度解析车辆运动过程,分别搭建转向和车辆系统数学模型,分析横向控制环节的影响因素,并搭建考虑转向摩擦、阻尼等特性的精准转向模型,集成为整车ADAMS模型,根据数学模型分析的影响因素进行DOE,在验证原理的科学性的同时,为横向控制工程提供理论指导。 相似文献
179.
传统桩基局部冲刷坑模型主要采用对称形态的坑体来分析,然而实际问题中局部冲刷坑体常为非对称,这使得桩基处于更不利的状态。评价桩基承载力的关键之一是合理计算冲刷坑造成的土体应力状态变化。而对于桩周形成非对称冲刷坑时土体应力变化,目前仍然没有较为完善和严格的理论分析方法。针对该问题,根据已有试验得到的非对称局部冲刷坑形态,提出非对称冲刷坑内土体应力计算的平面应变简化模型;并基于弗拉曼解在半无限空间中的应用,将冲刷坑以上土体看做荷载并引起土体内应力重分布,得到非对称冲刷坑下土体应力分布计算的平面应变解析解。通过有限元中的"生死单元法"模拟非对称局部冲刷坑的形成过程,并将有限元得到的冲刷坑内土体应力结果与解析解计算结果进行对比,验证解析解的正确性。随后基于该方法考虑桩尺寸的影响,得到非对称局部冲刷坑形成后桩周土体的垂直及水平有效应力计算方法,并与有限元计算结果进行了对比。结果表明:在考虑桩尺寸时,解析解计算结果略保守。在此基础之上,对非对称冲刷坑参数的敏感性进行分析,指出桩上、下游侧冲刷深度差值对桩周土体的应力影响较大,得到了非对称冲刷坑下桩周土体的垂直有效应力及水平有效应力差的变化规律,研究结果可为工程设计提供参考。 相似文献
180.
提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3(Twin Delayed Deep Deterministic Policy Gradient)实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明:基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。 相似文献