四川盆地页岩储层正演模拟地震响应特征

页岩气的储量巨大且具有低碳环保的优点,具有很大的勘探开发价值,但目前中国页岩气的勘探仍处于初步探索阶段。为了研究页岩气储层的地震响应特征,以四川盆地某气田为研究区,通过设计页岩地层楔状体模型进行声学介质波动方程正演,分别研究页岩储层厚度、地震子波主频及含气性的变化对页岩储层地震响应特征的影响。然后,根据该研究区的实际测井数据和地震资料,建立了连井剖面的二维地质模型,并对其进行声学波动方程正演模拟,最终对研究区储层响应特征进行分析,从而能够初步预测出有利的含气储层,并为验证后续反演结果的准确性提供可靠的依据,对四川盆地及其周围地区页岩储层特征的研究具有一定的指导意义。     

基于因素-时间变权模型的公路隧道群运营期安全性评价研究

公路隧道群运营期安全保障工程相较于单体隧道更为复杂,面临的大量不确定性和安全风险直接威胁着隧道安全运营。从“人-车-隧道-交通环境-管理”五个要素构建运营安全评价因子集,结合变权理论对开展动态评价研究,形成因素-时间变权方法的双动态权重计算模型以体现指标的时变特点,结合模糊综合评价模型进行等级评价,以某高速隧道群开展评价工作。通过上述研究表明：因素-时间变权模型对于运营期的隧道群安全评价指标的权重控制具有极强的针对性,能很好的弥补常规评价方法中对隧道运营期安全因时变性的特点造成的评价结果失真的缺点;变权理论的利用为开展风险的动态管控提供了重要的理论支撑。     

风力发电及其互补发电的探讨

由于风速具有随机性、间歇性以及季节性的特点,这就使得风力发电的出力不平稳,对电网的稳定性造成很大影响。本文论述了在当前技术条件下,国内外已经运行或提出用以弥补风能缺陷的几种多能源互补发电系统的特点,以及目前的研究状况的总结,并对其未来发展提出一些政策措施建议。     

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。     

血管张力在大鼠血栓栓塞大脑中动脉脑梗死模型中的应用

目的 利用血管张力固定改良PE管,制作血栓栓塞大脑中动脉脑梗死（Embolic middle cerebral artery occlusion, eMCAO）大鼠模型。方法 采用清洁级Sprague-Dawley大鼠20只制作eMCAO模型,均为单人制作,利用血管张力固定改良PE管。 结果 改良PE插管均成功,大鼠eMCAO造模成功率90%,制作时间每只平均30 min。 结论 利用血管张力法可单人操作制作大鼠eMCAO模型,有效节省造模所需时间以及人力物力。     

斜桩加固下覆倾斜基底软土桩-网复合地基离心模型试验

通过2组相似比为1:100的土工离心模型试验,研究斜桩对既有下覆倾斜基底软土桩-网复合地基的加固效果。试验结果表明,采用斜桩加固既有下覆倾斜基底软土桩-网复合地基,可有效减小路堤顶面的工后位移(竖向、水平),控制路堤顶面两侧沉降差的发展;同时,斜桩加固能有效抑制既有复合地基中斜坡桩、摩擦桩的桩顶水平和竖向位移,防止土工格栅的破坏及复合地基非对称"盆状"沉降的产生和发展;此外,斜桩加固可显著减小既有复合地基中的水平向推力,提高地基刚度及稳定性。研究表明,斜桩是加固既有下覆倾斜基底软土桩-网复合地基的有效措施。     

高校实践教学档案动态化管理析论

提高实践教学管理水平,发挥学科优势,实现实践教学档案的系统化、动态化、信息化管理与利用,对于侧重应用型专业人才培养的高校具有重要价值。强化实践教学档案管理,要明确实践教学工作性质,制定实践教学规范管理办法以及相关制度,按照制度系统地建立实践教学档案管理工作架构,建立实践教学档案工作长效机制,实现系统化、动态化、信息化管理,创造为教学利用的动态管理模式。     

C语言课程教学的探索与实践

C语言是计算机类专业的一门基础课,本文根据C语言课程的教学现状,从教学内容、教学方法、培养学生兴趣、教学实践等方面对C语言课程的教学进行了一些探索与实践。     

脉冲激光作用下金属反射镜热力耦合数值模拟

利用有限元法对单脉冲激光作用下铜基Ni/Au反射镜的热力耦合以及温度场分布进行了数值模拟,得出了在不同功率的单脉冲激光照射下的温度场和应力分布,并对脉冲功率密度与镜面最大温升以及膜层最大应力的关系进行了分析.     

基于PSO和SVM的矿区地表下沉系数预测

研究并建立矿区地表下沉系数的智能预测模型.将粒子群优化(PSO)和回归支持向量机(SVM)方法进行融合.采用PSO算法优化SVM回归估计参数,在简要分析影响地表下沉因素的基础上,建立了基于PSO优化参数的SVM(PSO-SVM)矿区地表下沉系数智能预测模型.以我国典型的地表移动观测站资料作为学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP神经网络算法的预测结果进行了比较.结果表明:PSO-SVM方法计算地表下沉系数是可行的,收敛速度更快,计算精度更高.为地表下沉系数的计算探索了一种可行的方法.