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。     

基于驾驶人特性的双车道跟驰模型稳定性分析

为了研究交通拥堵问题，了解交通拥挤形成的过程及驾驶员自身特性对双车道交通流稳定性的影响.本文基于复杂网络聚类同步理论，对一类基于驾驶员特性的双车道跟驰模型的稳定性进行研究. 通过设计适当的控制器使得基于驾驶人特性的双车道车辆跟驰模型趋于稳定，并得到了模型稳定性的条件.此外，在双车道上的车辆受到随机外部扰动的情形下，利用具有外部扰动的复杂网络自适应H∞ 聚类同步理论，研究了外部扰动情形下基于驾驶人特性的双车道车辆跟驰模型的稳定性.最后，采用MATLAB仿真技术进行数值模拟，验证所设计控制器对双车道交通流稳定性的影响及不同的驾驶员性格特性对交通流运行的影响.     

风火山隧道穿越地下冰层施工技术

重点介绍青藏铁路风火山隧道穿越厚层地下冰层施工中 ,针对地下冰层易热融滑塌的特点 ,摸索出一些行之有效的施工技术措施 :井挖采用预留光爆层光面爆破 ,减少装药量 ,设置保温设施 ,暖季施工利用夜间通冷风 ,低温下快速有效封闭围岩 ,加快模筑混凝土衬砌速度 ,铺设保温板 ,加强测温工作等。     

细粒尾矿固结度、压实度及其力学指标间的规律研究

细粒尾矿在堆坝过程中由于尾矿坝高度不断增大，其固结度也在不断改变，相应的抗剪强度指标也随之改变，抗剪强度指标对堆积坝的稳定性分析至关重要。对尾矿砂进行相应的固结试验及直剪试验，以及不同压实度下的直剪试验，推导了固结度与压实度之间表达式。结果表明：随固结度增大，土体粘聚力减小而内摩擦角增大；随压实度增大，粘聚力及内摩擦角均有增大趋势；尾矿砂固结度与压实度之间满足一定的关系。不同固结度下尾矿抗剪强度指标可以方便地通过不同压实度下的直剪试验获得。     

全球领先的创新型高性能材料供应商——英国威格斯公司（Victrex Plc）

Victrex Plc公司是世界闻名的聚芳醚酮生产厂商,Victrex Plc公司以V itrex PEEK T和VictrexPEEK-H T R为品牌销售这种高性能聚合物,Victrex在英国曼彻斯特附近的H illhouse设立了总公司及年产2800t的生产设施。产品作为聚芳醚酮(PAEK:poly aryletherketone)树脂家族的Victrex P     

离群模糊切换回归模型研究

模糊切换回归模型被广泛地应用于经济领域和数据挖掘技术中.本文在传统的模糊切换回归模型的基础上,通过为每一个数据样本分配一个动态的权值,得到了一个新的离群模糊切换回归模型,提出了FCWSRM(Fuzzy C Weighted Switching Regression Model)算法,最终得到的权重是数据分布的一种代表,将被用来发现数据集中的离群点.实验表明,离群模糊切换回归模型比传统的模糊切换回归模型具有更强的鲁棒性,并且能通过权值发现数据集中的离群点.     

灰色聚类法在泥石流类型判别中的应用

介绍灰色聚类法在泥石流流体分类中的应用,并以一些地区的泥石流沟为例,利用灰色聚类法对泥石流类型进行了判别。结果表明:用灰色聚类法对泥石流进行分类,使其分类数学化和定量化,对于解决常规多因子分类,由于指标交叉而不能归类的问题更显其优越性。     

基于KL散度的驾驶员驾驶习性非监督聚类EI北大核心CSCD

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。