复式钢管高强混凝土轴压短柱力学性能研究

对复式钢管高强混凝土轴压短柱的力学性能进行了研究,结果证明:混凝土强度越高,荷载-纵向应变曲线线性段比例越大,横向应变越小。钢管约束后,试件的延性得以显著改善,外钢管软化后,内钢管仍起套箍约束增强作用,耐火性良好,获得了复式钢管高强混凝土承载能力计算公式,计算值和实测值吻合良好。     

一维量子Euler-Poisson方程的解的渐近性

讨论了一类一维量子半导体方程,这类方程具有等熵Euler—Poisson方程的形式,并且动量方程有量子势力项和松弛项．当远场动量不一致和远场电场非零时,证明了一维量子Euler—Poisson方程的初值问题的解的渐近性．通过选择适当的修正函数和能量估计的方法,得到了上述初值问题的解在时间足够大时收敛到相应的稳态解．这个结果改进了前人的关于远场动量一致和零远场电场时解的渐近性的结果．     

不确定性下多目标博弈中弱Pareto-NS均衡的存在性

在已知不确定参数变化范围的假设下, 研究了多目标博弈中弱Pareto-NS均衡点的存在性问题. 首先结合非合作博弈中NS-均衡的定义, 给出不确定性下多目标博弈中弱Pareto-NS均衡的定义. 进一步借助Fan-Glicksberg不动点定理, 证明弱Pareto-NS均衡点的存在性. 最后给出算例, 验证其可行性.     

超高强大体积混凝土的水化温升及温差测试

用超高强混凝土浇注了尺寸为1 m×1 m×1 m的4组大体积构件,所用混凝土最低水胶比为0.16,最高胶凝材料用量达900 kg/m3,矿物掺料最高掺量为50%.分析了所用胶凝材料的水化热,测试了混凝土的水化放热温升及构件内外温差,试验表明:矿物掺合料的加入,显著降低了胶凝材料的水化热.同时,由于混凝土水胶比极低,胶凝材料水化程度较小,文中制备的大体积混凝土水化放热温升最高为52 ℃,混凝土构件的内外温差最高只有23 ℃.保温层增加了大体积混凝土温升的同时,对混凝土的降温速度的控制及降低混凝土内外温差是有利的.在有保温层的条件下,超高强混凝土完全可以用于大体积工程.     

某辉锑矿的选矿工艺试验研究

根据某辉锑矿的原矿性质,进行了多种药剂条件试验和闭路试验研究。试验结果表明:采用合理的浮选工艺和药剂制度,能有效地回收辉锑矿,可获得品位为40.75%,回收率为88.06%的锑精矿。     

高应变率下无氧铜动态剪切性能研究

动态剪切试验是获得材料高应变率力学性能的有效方法之一,采用由霍普金森压杆改进的双缺口冲击剪切装置具有测试方便的特点,同时其测试结果的可靠性可以满足工程应用的需要。本文首先通过有限元数值模拟肯定了这种改进的双缺口冲击剪切试验装置的有效性,并对试件几何量的优化作了分析讨论。在此基础上,对无氧铜材料的动态剪切特性进行了测试。得到了在高应变率下无氧铜材料的剪切应力-应变曲线。实验结果并表明,在高应变率下,无氧铜材料依然符合Von．Mises屈服准则。     

基于分数阶积分的图像去噪

为了在图像去噪的同时更多地保留图像的细节信息,介绍了分数阶积分算子在信号滤波中的作用,并将分数阶积分理论引入到数字图像去噪。该方法通过设定较小的分数积分阶次来构建相应的图像去噪掩模,并且利用迭代的思想来控制图像去噪的效果,从而实现图像去噪的局部微调。实验结果表明,基于分数阶积分的图像去噪算法较传统去噪方法不仅可以提高图像的信噪比,而且可以更好地保留图像的边缘和纹理等细节信息。     

基于集成学习的物资采购价格辅助决策方法

电力所需物资种类繁多且物资价格的波动受到多种因素的影响,为预测当下价格走势,建立电缆价格预测模型,为电网公司提供招标底价的依据与合理采购意见,对收集得到的物资价格,利用动态时间规整方法确定物资的不含税单价滞后于原材料价格的时间,从而确定不含税单价、原材料价格、经济指标间的对应关系。影响物资价格变化的因素很多,利用皮尔逊系数和随机森林两种方法筛选得到关键特征。根据选定的关键特征和数据分别建立AdaBoost、 XGBoost(Extreme Gradient Boosting)、随机森林3种模型对物资价格进行预测。利用预测评价指标平均绝对百分比误差(MAPE:Mean Absolute Percentage Error)评估预测效果,结果表明利用随机森林筛选关键特征配合XGBoost模型进行预测的准确率最高。     

具有乘性噪声的随机高阶准地转方程的大偏差

近年来,随机准地转方程受到了许多学者的关注.一方面在于此方程与著名的随机Navier-Stokes方程有许多相似之处,另一方面在于准地转方程是地球物理动力学的重要模型.主要讨论带乘性噪声的随机准地转方程.首先,严格证明了在d=2,3维上,强解的存在性和温和解的唯一性;其次,基于拉普拉斯原理和弱收敛方法,证明了方程满足大偏差原理.     

基于迁移学习的实时多类别文本分类方法研究

在实时文本分类任务中经常会有新类别出现,传统的文本分类方法通常难以利用实时的小规模样本学习新类别的模型。提出了一种基于迁移学习的新类别模型训练方法。首先将迁移学习技术和LS －SVM 算法结合,设计正则化项以控制源模型的迁移量及新模型与源模型的相似度,达到增量迁移。其次具体讨论了正则化项的学习方法。实验结果显示该方法相对同类算法有更好的分类性能,可以更高效地完成各种实时文本分类任务。