基于地理信息系统和加权信息量的茂县地质灾害易发性评价

以茂县为研究区,选取坡度、起伏度和道路等8个因子构建评价指标体系,通过信息量法、确定系数法确定因子信息量值和权重,运用ArcGIS进行地质灾害易发性评价。结果显示,研究区高易发区面积345.62 km~2、较高易发区456.65 km~2、中易发区664.83 km~2、较低易发区943.71 km~2和低易发区1 488.34 km~2,分别占总面积的8.86%、11.71%、17.05%、24.20%和38.17%。对评价结果进行合理性检验和受试者特征曲线(receiver operate curve, ROC)的精度检验,检验结果表明评价具有合理性,且曲线下的面积(area under curve, AUC)值为0.882,即评价准确度较好。研究结果能为研究区的灾害防治和国土空间规划提供科学依据。     

玉米须加筋微生物固化淤泥的抗剪强度试验研究

为了研究纤维与MICP技术共同固化淤泥的抗剪强度特性,采用掺量为0、0.2%、0.4%、0.6%、0.8%玉米须纤维或碳纤维与MICP共同固化淤泥,对固化体进行直剪试验,借助扫描电镜,从微观的角度探讨了固化机理。结果表明:单掺纤维或利用MICP技术均可以提高固化体的抗剪强度,而MICP与纤维共同作用得到的固化体抗剪强度提高幅度更加显著。随着纤维含量的增加,固化体的粘聚力和内摩擦角先增加后减小,最佳纤维掺量为0.6%,纤维种类对内摩擦角影响无明显区别。由扫描电镜分析可知:纤维发生桥联作用将碳酸钙与土颗粒连接为一个整体,提高了土体抗剪强度;玉米须纤维较碳纤维表面更加粗糙且分散性好,体现出玉米须纤维加筋效果更好。     

2022年航天装备热点回眸

2022年，运载火箭方面，美国、俄罗斯、欧洲等国家加速推动大型运载火箭研发，但进展不一。美国、俄罗斯按计划发射多颗侦察卫星，天基侦察能力不断升级完善；美国、俄罗斯、中国加快高吞吐量、高速率、抗干扰的先进通信卫星系统的研制与部署，有效满足未来通信需要；美国、俄罗斯等国家大力发展复杂对抗环境下的导航能力；美国高轨宽视场导弹预警技术试验卫星将在完成在轨测试后开始运行，具备了一定的高超声速武器预警跟踪试验能力；太空控制方面，美国、俄罗斯、日本、加拿大等国家不断加强在轨碎片清理、在轨操作、天地往返等能力，空间安全问题更加复杂多变；美国通过发展地基、海基、天基等多平台太空态势感知系统，稳步推进天地一体全覆盖的太空态势感知能力；美国举行“太空旗”“黑色天空”“全球哨兵2022”等演习，通过演习演练积极提升太空部队实战能力。     

一阶非周期减弱超二次哈密顿系统同宿轨的存在性和多解性

利用变分方法中强不定泛函的临界点理论得到了非周期一阶哈密顿系统u(t)=JH_u(t,u)在减弱的超二次条件下同宿轨的存在性和多解性结论.     

NOMA中的SS-CPM卫星信号捕获算法

调制指数大于1的扩频连续相位调制(spread spectrum continuous phase modulation, SS-CPM)信号是一种极具潜力的卫星信号调制方案, 然而其多峰特性容易导致非正交多址接入(non-orthogonal multiple access, NOMA)条件下的错误捕获。针对这一问题, 本文建立基于NOMA的SS-CPM信号模型, 提出一种基于状态转换的碰撞跳跃检测算法, 分析所提算法在不同发射功率、用户数、相对时延以及调制指数下的捕获性能。仿真结果表明, 所提算法适用于NOMA条件下的SS-CPM信号捕获, 且用户数较少、发射功率相近, 相对时延较大或调制指数较小时, 具有更优的捕获性能。     

农村公路水泥混凝土典型路面结构设计和承载力试验

针对云南农村公路开展足尺寸模型实验，研究轻型交通量情况下水泥混凝土路面结构，探寻一种典型的、性价比高且可普遍适用的路面结构.通过测量模型承载力，深入分析典型结构的承载性能，验证典型结构的适用性.结果表明，农村公路应优先选用强度较高的基层形式并减小板厚.     

改进的KNN实时校正方法在山区中小流域的应用

为提高山区中小流域实时洪水预报精度,提出了一种基于历史洪水学习的KNN实时校正方法(KNN-H法),并选择陕北黄土高原地区2个山区中小流域为研究区域,将其与传统KNN法和AR法进行对比,验证该方法的校正效果。结果表明:KNN法和KNN-H法的校正精度总体高于AR法；KNN法和AR法不能有效降低预报结果的峰现时间误差,而KNN-H法校正结果峰现时间误差比校正前有明显降低；KNN-H法通过对历史洪水预报误差的学习,可有效解决KNN法在实时校正中因为预热期资料不足导致的校正精度不高问题；当预报洪水过程处于涨洪或退水阶段时,KNN-H法能够快速定位到历史洪水的相同阶段,分析历史预报误差后迅速对当前预报值做出校正；总体上KNN-H法校正精度高于传统KNN法。