用Galerkin法求弹性扁薄球壳的低阶振动频率

详细介绍了求解运动微分方程的近似解法———Ｇａｌｅｒｋｉｎ 法,用Ｇａｌｅｒｋｉｎ 法求出了固支圆板自由振动的低阶圆频率和弹性扁薄球壳的低阶振动频率Ｐｎ ,并与精确解和Ｒａｙｌｅｉｇｈ 法结果作了比较。     

巷道锚杆各向异性作用效果的数值分析

将巷道围岩锚固区视为宏观上的各向异性连续介质,由锚杆支护参数确定其等效力学参数,利用快速拉格朗日元法 Ｆ Ｌ Ａ Ｃ 程序,分析了等效模型与实际模型的巷道变形特点。结果表明,等价效果主要依赖于锚杆的支护密度,密度越大,二者越接近;反之,误差增大。此外,锚杆长度对等价效果的影响很小。     

垂直起降无人机涵道螺旋桨系统特性及计算方法研究

涵道风扇垂直起降无人机不同设计阶段对升力系统特性的精度要求也不同.为寻求具有一定可信度的涵道螺旋桨特性不同计算方法,在螺旋桨动量理论的基础上,通过引入轴向功率系数,建立了考虑气流旋向运动的涵道螺旋桨动量理论模型.分析了拉力比例因子等参数对升力系统总体特性的影响.在研究翼型大迎角特性的基础上,建立了以诱导速度为求解参数的涵道螺旋桨修正动量—叶素理论模型.基于非重合滑移网格技术,通过求解旋转参考坐标系下的N-S方程,进行了涵道螺旋桨非定常数值模拟.计算结果表明,基于修正后的动量-叶素理论计算结果更接近真实情况.在总体设计阶段可以提供具有一定可信度的涵道螺旋桨基本特性.数值模拟结果和试验结果较吻合,可以为详细设计阶段提供计算依据.     

基于语义网络的旋转机械故障诊断知识表示

针对旋转机械故障诊断专家系统中的知识表示问题,讨论了语义网络的知识表示方法。并以此为基础进一步探讨旋转机械典型故障诊断的知识表示模型－－语义网络知识表示模型,文中还讨论了它的计算机语言实现方式,在VC＋＋环境下开发出了一个语义网络知识表示的演示模型。结果说明该知识表示方式是有效的。     

基于OFDM的水声通信非一致多普勒补偿方法

当多径信道各径多普勒因子不一致时,传统的多普勒补偿技术会带来较大的残余误差。针对此问题,通过理论推导提出了一种针对水声多径信道存在非一致多普勒扩展的补偿方法。该方法采用多次内插与快速傅里叶变换相结合的算法,首先通过对接收信号进行单次重采样预处理以降低多普勒因子大小,再利用等效信道参数估计模型,获得信道统计量后进行正交频分复用解调,实现非一致多普勒补偿。仿真结果表明,所提方法在信道信息已知与未知的条件下,都具有较高的补偿性能,特别是在非一致多普勒扩展比较严重的情况下,其优势更加明显。     

基于模糊软集合的软件质量综合评价方法

软件质量评价一直是软件工程领域的难点问题,通过引入模糊软集合对软件质量进行综合评价。在评价过程中,考虑各专家的偏好,允许各专家具有不同的个人评价指标集,并利用模糊软集合对各专家的评价信息进行融合,得到综合评价结果。实例说明该方法不仅可以灵活地表达专家的主观判断,并且能有效、合理地处理信息的不确定性,符合人的思维判断过程。     

固液体系中蛭石吸附Cu^2＋动力学研究

研究了等温条件下初始Cu2 浓度范围为25~300 mg.L-1,蛭石浓度范围为20~100 g.L-1的水溶液体系中蛭石吸附Cu2 的动力学过程.试验结果表明:蛭石对Cu2 具有较强的吸附能力,其吸附速率在吸附反应开始的2 h内很高,但随时间的延长逐渐降低并在12 h左右接近于零.溶液起始Cu2 浓度和吸附剂浓度对吸附速率影响显著,随起始Cu2 浓度增大,吸附达到平衡的时间延长;起始吸附剂浓度增大,吸附平衡时间缩短.提出的蛭石-Cu2 吸附动力学方程在样本检测的浓度范围内具有较高的精确度.     

"气泡聚变"与冷聚变

论述了“气泡聚变”与冷聚变都属于新型聚变，指出中性粒子与核的聚变可在任何温度条件下进行，强调要用新观念与新思维来正确对待新奇核现象。     

络合萃取法提取6 硝基 1 2 重氮氧萘 4 磺酸

用络合萃取法对6-硝生产母液中的6-硝基-1,2-重氮氧萘-4-磺酸进行了萃取研究.在室温下,以体积分数30%的三辛胺(N-235)氯仿溶液为萃取剂,萃取荆与母液体积比1:1,萃取60Min,萃取可率达96.1%;以质量分数12%的NaOH溶液为反萃取剂反萃有机相,有机相与NaOH溶液体积比2:1,反萃取60 Min,反萃取率可达94.3%.     

高炉透气性指数智能预测模型

高炉透气性指数是生产中最重要的监控参量之一,对透气性指数未来趋势的把握,于高炉操作者而言至关重要.通过支持向量机结合小波分析建立一个高炉透气性指数的预测模型,将历史四点透气性指数通过7层小波分解.使其波动范围变窄,结合相关的操作参数针对分解后的8个小波分量通过支持向量机建立8个预测子模型,最后通过预测分量的重构得到预测值.模型四点预测误差较小,并能满足高炉短期调节时限的要求.