例析数学分析习题课中无穷小量结论的应用

借助讲授数学分析教材课后习题的过程中总结出的无穷小量间的等价关系的结论,示范解答若干极限问题,以阐释数学分析课程的习题课对该门课程的教与学都有重要助益。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

玻璃纤维网格超高性能混凝土板抗弯性能试验研究

为了研究玻璃纤维网格和混杂纤维对超高性能混凝土(ultra-highperformanceconcrete,UHPC)双向板弯曲性能的影响，通过四边简支板的弯曲试验，研究了玻璃纤维网格层数、单掺钢纤维(steelfiber,SF)、钢纤维分别与聚乙烯醇纤维(polyvinyl alcohol,PVA)、玻璃纤维(glass fiber,GF)、玄武岩纤维(basalt fiber,BF)混掺对UHPC板的破坏形态、承载力和弯曲韧性的影响．结果表明，未铺设网格的UHPC板中短切纤维总体积率为1.5%时，混杂1.0%SF和0.5%PVA(1.0%SF/0.5%PVA)纤维对UHPC板增强增韧最显著，其极限承载力和挠度10 mm处的能量吸收值较掺入1.5%SF、0.5%SF/1.0%PVA、0.5%SF/1.0%GF、0.5%SF/1.0%BF的UHPC板分别提升了33.7%、53.3%、43.2%、117.0%和14.3%、81.8%、46.1%、107.5%；单掺1.5%SF的UHPC板的延性和持荷能力较混杂纤维UHPC板强．相较未铺设玻璃纤维网格试件，玻璃纤维网格能够有效抑制UHPC板...     

考虑楼板作用的RC框架压膜机制 抗倒塌承载力分析

为研究考虑楼板作用后钢筋混凝土框架结构的压膜机制抗连续倒塌性能,利用SAP2000建立了框架梁板子结构连续倒塌有限元分析模型,通过已有的12个抗连续倒塌试验验证了分析模型的准确性和合理性.在此基础上,通过定义考虑楼板作用后压膜机制抗连续倒塌承载力提高系数,研究了混凝土强度、楼板厚度及配筋率等参数对承载力提高系数的影响规律.结果表明:考虑楼板作用后,结构的抗倒塌承载力将显著提高,增大靠近边柱梁端的压拱效应,减小承载力再次上升时的位移.承载力提高系数随着混凝土强度等级、板的长宽比、梁底配筋率、梁高的增大而显著增加;承载力提高系数随着楼板厚度、板顶配筋率、板底配筋率、梁顶配筋率的增加而减小.     

基于太沙基极限承载力理论的管桩土塞高度计算方法

为分析开口管桩沉桩过程中产生的土塞效应,首先从土塞的形成过程和作用机理出发,建立了土塞单元体的受力平衡方程,得出了垂直向总荷载的表达式;其次,将土塞视为"桩中桩",基于太沙基桩端极限承载力理论,得出"桩中桩"桩端极限承载力的表达式,从而导得管桩在沉桩过程中土塞高度的表达式;最后,将本文理论计算结果与工程实例进行对比分析,并进一步分析了径厚比、土的黏聚力以及桩土表面粗糙度对管桩沉桩过程中形成的土塞高度的影响,得出结论:同一入土深度,土塞高度随着径厚比增大而增大,随着桩土表面粗糙度的增加而减小,而土的黏聚力对土塞高度的影响不大.结果表明本文计算方法是基本可行的,对开口管桩沉桩过程中土塞高度的预测计算具有一定的参考价值.     

长细比对CFRP约束钢管混凝土柱偏心受压力学性能的影响研究

为研究长细比对CFRP约束钢管混凝土柱受力性能的影响,应用ABAQUS建立四组、每组3个试件进行对比分析.组内试件的钢管约束效应系数εs、CFRP约束效应系数εc f、偏心率等影响因素相同,分析不同长细比对组合柱力学性能产生的影响.结果表明,长细比对CFRP最大应力影响不大.随着长细比的增加,钢管的最大等效应力值降低,钢管套箍作用减弱.不同钢管约束效应系数情况下,荷载-挠度曲线形式基本一致.试件刚度值随长细比增加逐渐降低,组合柱极限承载力下降,但降低幅度逐渐变缓.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.