桩端压浆技术在钻孔灌注桩的应用

简述了钻孔灌注桩应用压浆工法的工艺及其机理，并根据工程检测成果，分析了该工法对提高单桩竖向承载力、改善桩基承载工作性能的效果。     

深盆气圈闭判识方法与应用

判识深盆气圈闭一般有 3种方法 :地质条件叠合法 ,理论模拟计算法 ,探测结果推定法。在深盆气勘探开发的不同阶段 ,由于研究的内容不同 ,对深盆气圈闭的判识采用的方法也不同。利用这 3种方法识别深盆气圈闭 ,可以确定圈闭的分布和发育范围 ,同时认为 ,深盆气圈闭的形成存在一个地质门限 ,进入这一门限 ,深盆气才可在圈闭内聚集成藏。将实际资料分析与理论计算相结合 ,预测了鄂尔多斯深盆气圈闭的发育范围 ,可为该盆地深盆气的勘探与开发提供依据     

路堤荷载下含硬壳层软土地基破坏模式

通过理论分析和数值计算,对比分析在路堤荷载作用下含有连续和不连续硬壳层的水平层状软基的破坏模式,针对路堤坡脚外硬壳层不连续的情况(如存在鱼塘等),提出以局部剪切破坏模式失稳的破坏模式判定参数,即临界距离L_(cr);借助正交试验原理,对L_(cr)的影响因素进行分析,给出各因素的敏感性顺序;利用逐步回归迭代方法,分别给出上限临界距离L_(cr U)和下限临界距离L_(cr D)的数学表达公式,并根据工程实例的验算论证了其可靠性。结果表明:在路堤荷载作用下,硬壳层连续时软基为整体剪切破坏;硬壳层不连续时,当不连续断面与坡脚的距离小于L_(cr U)或大于L_(cr D)时软基为整体剪切破坏,当不连续断面与坡脚的距离大于L_(cr U)且小于L_(cr D)时软基为局部剪切破坏。硬壳层厚度为L_(cr)的主要影响因素,软土层厚度为次要因素,硬壳层内摩擦角和黏聚力对其影响较小。     

深度学习在引力波数据处理中的应用初探

截至2018-01-16,LIGO已成功探测引力波事件6次.可以预期,引力波探测事件会越来越多,引力波天文学会很快进入到大数据阶段.深度学习在大数据处理方面近年来得到迅速发展.它在数据处理速度,准确度等方面都表现出极大的优势.深度学习在引力波数据处理中的应用讨论还不多.本文引入此问题,并对其进行初步研究.引力波数据最大的特点是强噪声、弱信号.现行的数据处理方法是利用匹配滤波的方式把引力波信号从强噪声中挖掘出来.同时,匹配滤波方法还可以确定引力波源的性质,定量确定其参数.匹配滤波方法的弱点是计算量巨大.这导致数据处理速度很慢.对于将来的大数据引力波天文学,这更将是一个巨大的隐患.匹配滤波方法的另一个潜在问题是,完备准确的理论波形模板是其工作的前提条件.这个潜在问题的后果是很难找到理论预期之外的引力波信号.深度学习的数据处理方法有可能在这些问题上提供出路.同时,深度学习也会遇到其自身的若干困难和问题.本文将从网络结构、训练数据制备、训练优化、对信号识别的泛化能力、对数据的特征图表示以及对特征数据遮挡的响应等方面来展开讨论.     

微地震监测技术综述

微地震监测技术作为一种先进的地球物理方法, 广泛应用于地热勘探、 油气田开发等多个领域, 具有广 阔的发展前景。 首先介绍了微地震形成机理及其特征和微地震监测技术的基本概念, 进而简述了微地震监测 方法的基本原理以及数据采集、 数据处理等主要技术。 去噪为数据处理的首要任务, 因而论述了一些基本的降 噪方法, 提出深度学习在微地震监测技术中的可行性以及优越性。 最后, 对监测技术的扩展应用以及发展前景 进行了总结。     

基于伪数据的机器翻译质量估计模型的训练

为向基于深度学习的机器翻译质量估计模型提供高效的训练数据, 提出面向目标数据集的伪数据构造方法, 采用基于伪数据预训练与模型精调相结合的两阶段模型训练方法对模型进行训练, 并针对不同伪数据规模设计实验。结果表明, 在构造得到的伪数据下, 利用两阶段训练方法训练得到的机器翻译质量估计模型给出的得分与人工评分的相关性有显著的提升。     

对称荷载作用下弹性地基梁的傅里叶级数解

考虑地层位移荷载及梁与地基可能产生的脱空,针对长度在沉降槽内和长度延伸到沉降槽外的2种梁建立了弹性地基梁对称问题的数学模型.利用阶梯函数及脉冲函数,在所建数学模型基础上推导了求解弹性地基梁挠度的傅里叶级数系数的线性方程组,提出了计算方程组中脱空范围这一多余未知量的迭代步骤,利用有限元数值解对傅里叶级数解进行了验证.结果表明,傅里叶级数解精度高,可以作为带有脱空弹性地基梁问题的解析解,要达到相同的精度,傅里叶级数解的计算量远比有限元解的计算量小.此外,脱空范围的大小,不随级数项数的多寡而改变.傅里叶级数解法不但精度高,而且能够灵活处理不同形式的荷载,是求解复杂荷载条件下弹性地基梁问题的有效解析方法.     

基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难。目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足。本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度。在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46%、6.02%和2.17%。     

中心损失与Softmax损失联合监督下的人脸识别

深度学习在人脸识别领域已经取得了巨大的成就,针对当前大多数卷积神经网络采用Softmax损失函数进行特征分类,增加新的类别样本会减小类间距离的增长趋势,影响网络对特征判别的问题,采用了一种基于中心损失与Softmax损失联合监督的人脸识别算法,来提高网络对特征的识别能力。在Softmax基础上,首先,分别对训练集每个类别在特征空间维护一个类中心,训练过程新增加样本时,网络会约束样本的分类中心距离,从而兼顾了类内聚合与类间分离。其次,引入动量概念,在分类中心更新的时候,通过保留之前的更新方向,同时利用当前批次的梯度微调最终的更新方向,该方法可以在一定程度上增加稳定性,提高网络的学习效率。最后,在人脸识别基准库LFW上的测试实验证明:所提的联合监督算法,在较小的网络训练集上,获得了99.31%的人脸识别精度。     

大型基础下含软弱夹层的层状砂土变形计算

基于饱和土的相关理论,推导了大型基础下层状地基的沉降计算模型.考虑不同的土性,根据修正剑桥模型和摩尔-库伦模型,推导了K_○0条件下且能够考虑其塑性变形的压缩模量.基于平面网格子域法结合分层总和法建立了一个完整的、更加贴近工程实际的大型基础下含软弱夹层的层状砂土地基沉降计算模型.研究结果表明:该模型的计算结果与模拟结果很贴近,且能够突出体现出软弱夹层的变形特性.研究结论可为含软弱夹层的大型基础地基沉降计算提供直接参考依据.