对于渔船避让的几点见解

阐述了大连——日本航线上经常遇到的渔船种类及作业特点,总结出针对不同种类的渔船在捕捞过程中应采取的必要措施,为以后在该航线上行驶的远洋船舶驾驶人员提供经验借鉴。     

船体平板龙骨上不规则开口群应力集中及强度分析报告

船体平板龙骨上不规则开口群破坏了船底板的连续性,在急剧变化断面处产生应力集中,通过有限元分析结合光弹试验,获得各开口角隅处应力系数值。经研究、分析提出的改进措施取得了明显的效果,供有关人员在设计中参考。     

群钉连接装配式组合轨道梁受力特性研究

为促进钢-混凝土组合结构的工业化建造,实现钢构件和混凝土构件的工厂化预制、装配化施工,针对传统剪力钉均匀满铺建立的等效刚度理论不能反映群钉集中布置时组合结构受力特性的问题,以跨座式单轨交通为研究背景,设计制作群钉连接装配式钢-混凝土组合轨道梁,进行装配前的钢梁与装配后的组合梁固有频率、荷载-挠度曲线、截面应变曲线对比分...     

汽车排放污染治理利器 车载诊断OBD系统(十一)

应对国六标准,增压发动机增加脱附流量的技术手段一,冲洗泵方案.冲洗泵安装在炭罐阀前端,由发动机管理系统控制泵的输出压力.冲洗泵可以强制建立外界环境与冲洗管路之间的压差,增大冲洗流量,发动机在中大负荷时仍然可以进行冲洗.发动机控制系统通过调整泵的压力值,控制冲洗量.冲洗泵的位置如图19所示.此方案适合小排量发动机.     

考试管理系统中群签名的实现

主要讨论为了在考试管理系统中实现数据的安全性和一致性,结合数字签名技术,介绍了群签名在管理系统中的实现.     

地铁盾构下穿高层建筑基础的扰动变形影响与实测研究

[目的]城市轨道交通建设中遇到越来越多的盾构穿越或近接高层建筑施工的案例,而盾构法因其特殊的施工工艺不可避免对地层产生扰动,严重时可能会影响既有建筑的结构安全,因此需要对盾构穿越过程中隧道及高层建筑的受力特性进行深入研究。[方法]依托济南地铁R2号线生产路站—历黄路站区间隧道工程,采用三维有限元数值方法对双线盾构隧道非同步斜交下穿高层建筑群桩及筏板承台基础的施工过程进行了模拟,并结合现场监测数据分析了地层位移规律、建筑物沉降的变形特征,以及施工时盾构掘进参数的控制效果。[结果及结论]双线盾构隧道先后下穿建筑群桩时,先行隧道开挖引起的地面沉降量较大,后开挖隧道对地层产生的扰动相对较小;盾构通过建筑物正下方时的沉降量最大,随着盾构的远离,其沉降逐渐减少并趋于稳定。由于高层建筑属框架结构,故在临近隧道一侧建筑体区域地层发生了沉降,而在远离隧道的建筑体区域地层呈上浮趋势,但二者的差异沉降量仍在可控范围内。     

地铁自动检票机故障分析及可靠性研究

考虑到地铁自动检票机组成复杂且故障形式多样,对其进行故障分析并以二参数威布尔分布为基础,提出一种基于混合威布尔分布的设备可靠性评估模型。为提高模型拟合精度,基于误差平方和最小思想构建非线性最小二乘参数优化估计模型并使用粒子群算法(PSO)进行最优参数求解。以南京地铁油坊桥车站自动检票机实际故障数据为例,进行实例验证。结果表明,基于PSO算法的混合威布尔分布可靠性评估模型优于传统单威布尔分布,其均方根误差、平均绝对百分比误差、皮尔逊相关系数均为最优。     

基于群决策和熵权法的换道轨迹评价研究

针对换道轨迹评价中指标间的信息重叠和指标权重设定的主观性问题,提出了基于相关性分析和因子分析的评价指标选取方法,从16个参数中选出了表征舒适性、高效性、平顺性、生态性和安全性的11个评价指标;运用层次分析法计算指标主观权重,运用群决策理论计算专家权重,运用熵权法计算指标客观权重,从而提出层次分析法、群决策理论和熵权法相结合的指标权重设定方法,计算得出安全性、高效性、舒适性、生态性、平顺性的权重分别为0.73、0.15、0.06、0.04、0.02,从而建立换道轨迹评价体系,并用该体系对驾驶模拟获取的换道轨迹进行了评价。结果表明,提出的换道轨迹评价体系较为全面且减少了指标间的信息重叠,综合了主观上的专家经验和客观上的数据信息使评价结果更为合理,对轨迹性能的重要性排序可为轨迹规划中设置约束条件时的侧重倾向提供参考;构建的换道轨迹评价体系和提出的评价方法为换道轨迹评价提供了参考。     

基于二进制粒子群算法的母联闭合型电网重构策略

为解决母联闭合型电网发生故障时的电网重构问题,提出一种基于二进制粒子群算法的电网重构策略.根据深水半潜平台电网特殊的网络架构和电气特性,建立以最大程度恢复重要负载供电为目标,以电网结构和系统容量为约束条件的母联闭合型电网故障恢复模型.为提升求解效率,为该模型设计基于二进制粒子群算法的两阶段优化求解流程,并将求解结果与混...     

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...