模型修正技术在螺栓连接结构中的应用探讨

螺栓连接直接影响整体结构的可靠性和动态性能,需要精细的处理分析,而传统的有限元建模方法有的不能满足精度需求,有的过程复杂且计算量大.针对这一问题,利用改进的正交模型正交模态(ICMCM)法,基于模态试验结果,对一类螺栓连接结构的有限元模型修正技术进行了研究.模型修正前,采用最优拟合法进行振型扩展得到包含所有节点和变形的完备振型.研究结果表明,与螺栓连接刚性或多点约束建模方式相比,经过本文方法修正的刚性连接模型能满足修正效果评价准则,而且计算结果的精度和可靠度显著提高.同时,研究也表明,对于螺栓连接结构,无需建立复杂精细的有限元模型,只要对刚性模型进行上述修正即可获得满足实际工程需要的计算模型.     

环的 WGP-内射性

给出了 WGP-内射环的等价定义,研究了 WGP-内射环的一些性质,证明了：若 R 是左非奇异的左 WGP-内射环,且对 R 中任意无限序列 a1,a2,a3…,升链 1（a1）1（a1 a2）1（a1 a2 a3）…是平稳的,则 R 是半单环。     

基于半解析法的极端工况干气密封动态特性研究与参数设计

采用Miller与Green提出的半解析方法,对极端工况下螺旋槽干气密封的动态特性进行了研究。首先运用有限元方法数值求解可压缩气体Reynolds方程,通过计算气膜对膜厚阶跃变化的响应,建立了干气密封中气膜的动刚度模型。在频域内将该模型应用于密封环的动力学分析,通过数学变换得到密封环在时域内的运动,从而建立了干气密封动态响应的解析式分析方法。利用该方法分析了干气密封对轴向、角向位移扰动的响应,并研究了密封端面几何参数对动态特性的影响规律。通过参数设计,可以得出端面参数的合理取值范围,从而改善密封动态性能。     

四阶强阻尼波动方程的两类半离散混合元先验估计

讨论非线性四阶强阻尼波动方程的混合元有限元方法的数值理论.根据方程的特点构造两种混合元有限格式,并分别给出了两种方法的半离散格式先验误差估计的详细证明.     

基于最小连通支配集移动的WSANs连接恢复算法

在无线传感器与执行器网络(wireless sensor-actor networks,简称WSANs)关键任务应用中,单个或多个节点的失效可能造成内执行器节点产生网络分隔,自动检测和快速恢复来保持内执行器网络的连接性显得非常重要.论文提出了一种基于最小连通支配集移动的连接性恢复算法(minmal CDS motion-based connectivity recovery,简称MCDSR),该算法主动探测影响网络连通的割点,并为其指定最小的连通支配集.一旦检测到节点失效,备份的支配集初始化恢复进程直到网络连接恢复.并通过实验与现有的恢复算法进行比较,发现MCDSR算法在移动的节点数目、总的移动距离、覆盖度减少等方面有更好性能.     

Qnil-可逆环及其扩张

对可逆环进行推广,引进了qnil-可逆环,讨论了qnil-可逆环的性质,并研究了qnil-可逆环的扩张.     

材料连接技术课程教学改革与实践探索

分析了目前材料连接技术课程教学中存在的不足,从教学内容、教学方式与手段、实践教学与教学质量评价体系等方面入手,探讨了材料连接技术课程教学改革的基本思路.实践表明,课程教学改革的实施有利于提高学生的综合能力.     

亚铁氰化钾、铁氰化钾和双偶极半菁衍生物静电自组装膜的研究

通过交替沉积K4[Fe(CN)6](或K3[Fe(CN)6])和双偶极半菁(Me2NC6H4CH CHC5H4N CH2C6H4—C6H4—CH2— NC5H4—CH CH—C6H4—NMe2)的氯化物,制备了2种无机有机杂化自组装膜.通过紫外可见吸收光谱、偏振可见吸收光谱和循环伏安图对薄膜进行了表征.     

基于成对约束的主动学习半监督聚类算法

半监督学习是近年来机器学习领域中的一个重要研究方向,其监督信息的质量对半监督聚类的结果影响很大,主动学习高质量的监督信息很有必要.提出一种纠错式主动学习成对约束的方法,算法通过寻找聚类算法本身不能发现的成对约束监督信息,将其引入谱聚类算法,利用该监督信息来调整谱聚类中点与点之间的距离矩阵.采用双向寻找的方法,将点与点间距离进行排序,使得学习器即使在接收到没有标记的数据时也能进行主动学习,实现了在较少的约束下可得到较好的聚类结果.同时,该算法降低了计算复杂度,并解决了聚类过程中成对约束的奇异问题.通过在UCI基准数据集以及人工数据集的实验表明,算法的性能好于相关对比算法,并优于采用随机选取监督信息的谱聚类性能.     

一种最大化样本可分性半监督Boosting算法

针对数据实际分布与假设不匹配时半监督学习算法难以改善分类器性能的问题,该文提出一种最大化样本可分性半监督Boosting算法,通过引入"高密度区域局部散度最小、样本空间全局散度最大"准则来学习未标注的样本。该准则使用两种半监督假设(聚类假设和流形假设),减少了因半监督假设与数据不匹配造成的准确率下降问题。实验结果表明,该文算法有效提高了Boosting算法在符合聚类假设数据集和符合流形假设数据集上的准确性,提高了分类器噪声数据的稳定性。