笑对挫折——《心理健康辅导活动课》设计

[教学目标] 1．引导学生正确面对挫折； 2．培养学生承受挫折的能力； 3．引导学生学会战胜挫折的方法，承受挫折，战胜挫折。     

黄河三角洲粉质土前期固结压力的探讨

通过对黄河三角洲海港地区粉质土的室内实验,从物质组成、结构形态和沉积环境的角度阐述了黄河三角洲粉质土前期固结压力的特性,并探讨其含义.通过试验发现,作为一种性质较为特殊的区域性土,黄河三角洲地区广泛存在的粉质土的前期固结压力所表现出的规律与传统的土力学理论并不相符.经分析认为,黄河三角洲粉质土的前期固结压力主要受土的成因、结构和成分的制约,上覆压力的影响甚微.     

高压挤压防砂充填带形态仿真模拟

出砂是疏松砂岩油藏开采中经常遇到的难题之一,目前最普遍采用的防砂方法是高压挤压砾石充填防砂技术,但由于对高压挤压后的充填带形态认识不清,导致工艺技术和施工参数不甚合理。文章以离散元理论为基础,利用两维颗粒流模拟软件PFC2D,针对疏松砂岩油藏,按照胶结强度弱、中、强三种情况分别选择三口井进行数值模拟。模拟结果显示,胶结强度不同的地层在高压挤压后,其充填带形态差别较大。胶结较强的疏松砂岩地层,高压挤压后充填带的形态接近于低渗油藏,胶结弱的疏松砂岩地层,高压挤压后井眼周围岩层被压散,沿最大主应力方向地层会出现数条裂缝,按常规模型计算将带来较大的计算偏差。     

考虑储气库裂隙储层分形特点的天然气渗流规律分析

考虑储气库裂隙介质分形特点以及临界运移饱和度的影响,根据两相不稳定渗流理论和分形理论,将裂隙储层介质分形参数引入到相对渗透率的预测,建立了储层相对渗透率与裂隙尺寸、典型单元体尺寸、毛管压力之间的关系;并分析了高含水衰竭油气藏裂隙储层改建储气库后的渗流规律及井底压力变化规律。采用计算模型与三维渗流模型所得计算结果进行了对比分析,并研究了分形维数、典型单元体尺寸、裂隙尺寸比、储层厚度、注气速率、排水速率对储气库井底压力的影响。计算结果表明:采用的计算模型考虑了裂隙储层的分形特点,具有较高的计算精度,可以满足实际工程计算需求;气相相对渗透率随着分形维数的增大而增大,水相相对渗透率随着分形维数的增大而减小;储气库井底压力随着裂隙介质分形维数、储层厚度、排水速率的增大而减小;随着典型单元体尺寸、裂隙尺寸比、注气速率的增大而增大。     

基于弹塑性地基模型的湿陷性黄土地段悬空管道受力分析

根据湿陷性黄土地段塌陷区悬空管道的受力特点,建立考虑管道轴向载荷和地基塑性变形的悬空管道受力的弹塑性地基模型,推导悬空管道受力和变形计算公式,并利用Visual Basic计算机语言编制相应的计算程序对某湿陷区悬空管道进行模拟计算;将悬空管道的力学分析计算结果与实测值和Winkler地基模型计算结果进行对比,分析轴向载荷和地基刚度对计算结果的影响.结果表明:弹塑性地基模型比Winkler地基模型具有更高的计算精度,更符合工程应用;轴向载荷对悬空管道受力和变形影响显著,在悬空管道设计校核中不能忽略;地基刚度对弹塑性地基模型计算结果影响不显著.     

小参数高阶项对射孔段套管屈曲摄动解的影响

采用摄动法求解射孔套管的屈曲临界压力时,一般仅取小参数ε的一次项,忽略其高阶项必然对计算结果产生一定的影响。针对此问题,建立了考虑小参数二阶项影响的射孔段套管弹性屈曲近似控制方程,给出了含有ε^2项影响的射孔段套管屈曲问题摄动解的一般形式;分析了小参数变化时,ε^2项对射孔段套管抗挤能力系数的影响。数值计算结果表明,计算孔眼的轴向最大尺寸、布孔格式和孔密度发生变化对小参数及射孔段套管抗挤能力都有直接的影响。当计算孔眼的轴向最大尺寸小于30mm、孔密度小于40孔／m时,仅考虑ε一次项可以给出满意的结果,而不必考虑小参数高阶项的影响。     

Williams级数收敛性与边界配位法计算的可行性

含有边裂纹弹性平板的精确解是在收敛域内的级数表示形式，其表达式与Ｗｉｌｌｉａｍｓ级数表达式完全等同．对于圆形和矩形域模型．研究了其收敛域内外的边界配位法计算问题．结果表明，Ｗｉｌｌｉａｍｓ级数收敛域与裂纹长度有关．     

不同厚度二维层状SnSe2纳米材料的拉曼光谱研究

本文研究了不同层数的SnSe2材料的拉曼光谱,通过对测试结果的分析得到不同振动模式的峰强及峰位的变化与不同厚度的SnSe2样品之间的对应关系,并进一步分析了变化的原因。该研究成果为二维SnSe2的研究提供了更加系统、准确、快捷的判断方法和手段。     

基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO

由于无人机航拍具有场景复杂多样，目标尺度变化剧烈，高速低空运动模糊等诸多特性，给目标检测带来了很大的挑战。针对无人机航拍目标检测效果不佳的问题，提出了Dy-YOLO模型，在YOLOv5的基础上引入Dynamic Head注意力，从尺度感知、空间位置、多任务3个角度探索具有注意力机制的预测头潜力；设计了C3-DCN结构和Dynamic Head注意力相互配合增强特征提取能力；此外，还使用SimOTA标签分配方式来弥补小样本的损失，并使用CARAFE(content-aware resssembly of features)上采样算子，有效增强了不同卷积特征图的融合效果。在VisDrone2019测试集上，Dy-YOLO检测的平均均值精度达到了38.2%,较基线方法YOLOv5提高了7.1%,同时与主流的检测方法相比也取得更高的检测精度。结果表明，Dy-YOLO算法对于无人机航拍检测任务具有较好的性能。