基于舱壁设置的加肋凸、凹锥-环-柱结合壳强度分析

运用分区样条等参元法对舱壁不同布置位置的潜艇加肋凸、凹锥-环-柱结合壳进行强度分析,得出了一些对指导凸、凹型锥-环-柱结合壳结构设计和舱壁布置有实用价值的结论.     

提高级配指标计算精度方法研究

级配曲线是颗粒分析试验的重要成果图件,用其计算的不均匀系数Cu与曲率系数Cc是路基填料划分的重要指标。传统作图法整理级配曲线时,工作量大且精度不高。在分析线性插值、多项式插值、Lagrange插值与分段抛物线插值算法的基础上,提出了修正样条函数拟合的方法,得到土的光滑颗粒级配曲线。针对非单调样条函数,采用最佳逼近算法求解,克服了曲线出现平台时病态函数问题。文中提供了求解的关键代码,实践表明该法可以提高计算级配指标的精度和自动化程度。     

不等时距GM(1,1)模型预测地基沉降研究

分别采用直线插值、三次样条插值、BP神经网络3种方法,用M ATLAB语言编制程序将不等时距序列转化为等时距序列,采用灰色理论预测沉降.由于BP神经网络强大的非线性映射功能,可以避免常规插值法所造成的一系列误差.实际工程应用结果表明,利用直线插值、三次样条插值和BP神经网络与灰色理论联合建模所得的预测值与实测值的最大相对误差分别为17.2%,5.9%和4.6%.由此可见BP神经网络和灰色理论联合建立的GM(1,1)模型用于预测路基沉降最为精确.     

基于二维高斯样条函数的水下重力被动定位

目前利用水下地理信息对惯导误差进行校正多以各类匹配算法为核心,对此论文提出一种基于二维高斯样条函数的水下重力被动定位新模式.文章首先介绍了一种利用二维高斯样条函数逼近的连续局部重力场模型,随后在该模型的基础上将实测重力表示为连续的解析形式,最后以实测重力作为包含目标位置信息的量测值,并结合扩展卡尔曼滤波算法对目标位置进行最优估计.这种方法无需使用常用的匹配算法,因而也就摆脱了匹配算法的诸多限制.以分辨率为2＆#39;＆#215;2＆#39;的某区域重力异常数据为背景场进行仿真,最终的仿真结果表明：经高斯样条函数逼近的局部重力场模型平均误差小于0.19mGal,水下平均经、纬定位误差分别小于0.59和0.74海里.     

一种船体三维湿表面网格自动生成方法

运用累加弦长的三次参数样条函数理论,提出了一种实现船体三维湿表面网格自动生成的方法。计算实践表明,该网格生成方法准确,高效、灵活,完全可以满足船舶三维水动力计算的需要,为船舶运动与波浪载荷三维计算方法在实船预报中的应用提供了前提基础。     

面内流固冲击载荷下加筋板的动力响应

船舶在恶劣的海况下航行时,船舶结构遭到剧烈的波浪砰击作用,这种冲击载荷可能使船体结构发生屈曲而造成舰船结构总体承载能力的丧失,导致灾难性的后果。加筋板结构作为船舶结构的基本结构之一,研究其动力特性显得尤为重要。基于离散加筋板模型,对具有弹性约束边界的初缺陷矩形加筋板在面内流固冲击载荷下的动力响应问题进行了理论研究。取样条函数作为挠度试函数,运用加权残值法求得初缺陷加筋板动力响应的控制方程,采用四阶Runge—Kutta法求解该方程,并用Fortran语言编制了相应的计算程序。构造的B样条函数能适应板侧边上的任意弹性转动约束,讨论了初始几何缺陷、冲击载荷持续时间、加强筋及弹性约束的影响。结果表明,它们是影响加筋板动力特性的重要因素。适当增加弹性约束,减小初始几何缺陷及冲击载荷持续时间有利于提高加筋板的承载能力。     

小样本情况下的船舶溢油事故风险评价研究

船舶溢油风险评价是一项复杂的多因素问题,是船舶溢油应急管理的关键环节.作为智能搜索算法的代表理论,BP神经网络被认为是进行不确定风险评价的较好方法之一,然而船舶溢油事故属于小样本事件,统计数据往往难以满足BP神经网络要求的样本容量.针对这一困境,首先提出一种利用B样条最小二乘理论的数据拟合法,显著增加样本数.其次,根据船舶溢油特点建立了基于BP神经网络的船舶溢油风险评价模型.最后以上海港近年发生的10起溢油事故为实例,检验了模型的可行性.     

软土地铁隧道沉降治理效果评估

基于某地铁隧道沉降治理过程中的实测数据,研究沉降治理效果评估方法。首先利用3次样条曲线插值法对隧道沉降监测点数据拟合,计算出累计沉降的曲率半径;然后以等效轴向刚度模型为基础,推导出盾构管片接头环缝张开量和纵向连接螺栓受力情况。通过理论计算对治理后隧道结构健康状态作出评估,全面分析隧道沉降治理效果,为后期运营维护提供依据。     

基于ABAQUS子模型算法的花键连接抗侧滚扭杆有限元分析

采用ABAQUS软件模拟计算了花键连接抗侧滚扭杆的受力情况.计算结果与试验结果对比表明此方法正确可靠.采用子模型的方法进一步得到花键的局部应力分布,结果表明简化整体模型的接触关系可以降低仿真分析的计算花费,提高分析效率,且子模型方法解决了网格数量太大、计算时间长以及收敛性差的问题.计算结果可为疲劳分析提供有力支持,并为...     

Simulation of the mean zero-up-crossing wave period using artificial neural networks trained with a simulated annealing algorithm

The aim of this work was to develop a predictive model to forecast the mean zero-up-crossing wave periods (T _z ) for 3-hourly sea states at a location in the Pacific using artificial neural networks (ANNs). Seven multilayer ANNs were trained with a simulated annealing algorithm. The output of each trained ANN was used to estimate each of the seven parameters of a new distribution called the hepta-parameter spline proposed for the conditional distribution of T _z , given some mean zero-up-crossing wave periods and significant wave heights. After estimating the parameters of the distribution, the model was used to simulate and predict future values of T _z . Forecasting a sea state and developing the joint distribution of sea state characteristics with the help of the simulated characteristics are also discussed in this article.