白莲崖水电站碾压混凝土拱坝结构受力分析

采用有限单元法对白莲崖水电站碾压混凝土拱坝进行了仿真分析,并把计算结果与拱梁分载法、试载法的计算结果进行比较,指出用有限元法分析拱坝的优势和不足．为有限元法在拱坝设计中的应用提供了一定的参考依据。     

重力坝坝踵断裂扩展模拟方法

混凝土建筑物中的裂纹扩展追踪计算是确定结构安全度的重要手段.本文提出用虚拟裂纹单元及断裂力学准则(应变强度因子)追踪和模拟裂缝初始断裂、扩展并最终导致破坏的过程,给出一条逐段扩展的裂纹线.本方法计算结果与混凝土坝实测资料及模型试验结果吻合较好.     

移动荷载作用下铁路桥梁振动分析

提出了移动力作用下的轨道-桥梁单元，该单元由模拟钢轨的上层梁单元、模拟桥梁的下层梁单元，上层、下层梁单元之间的连续弹簧和阻尼器，以及多个作用在上层梁单元的集中力组成。基于弹性系统动力学总势能不变值原理和形成矩阵的“对号入座”法则，建立了多个移动集中力作用下的轨道-桥梁单元和系统的振动方程。用逐步积分法求解系统的振动方程，得到轨道和桥梁的动力响应。举例说明了模型分析轨道和桥梁动力响应的可靠性．     

动力边界单元法及其在土一结构动力耦合效应分析中的应用

本文研究了动力边界单元法及其在土一结构动力耦合效应分析中的应用。文中利用Helmholtz势函数定理详细地推导了动力边界单元法的基本解,并且通过Laplace积分变换,应用直接列法建立了弹性动力的边界积分方程以及相应的数值求解公式。编制了动力边界单元法的计算机程序DYBEMI。最后对于不同激振频率和不同埋置深度的基础振动动力响应等算例进行了计算与分析。结果表明动力边界单元法在土一结构动力耦合效应问题中的分析是一种有效的方法。     

基于MVC结构的组件应用研究

具有模型-视图-控制体系结构的组件实现了数据维护与数据表现的分离，它们在同一个可视化组件对象中存在并处理各自的任务。本讨论了这种体系结构各部分的作用及其相互关系，并通过具体的实例说明这种体系结构给程序设计所带来的灵活性与方便性。     

一种无碴轨道动力学建模的新方法

针对无碴轨道(以博格板式轨道为例)结构特点,提出横向有限条与板段单元动力分析新模型。将高速列车(以中华之星为例)的动车及拖车均离散为具有二系悬挂的多刚体系统,基于弹性系统动力学总势能不变值原理及形成系统矩阵的"对号入座"法则,建立高速列车-无碴轨道时变系统竖向振动矩阵方程,采用Wilson-θ法求解。分别采用传统的静力模型和横向有限条与板段单元动力分析模型,计算并比较钢轨与博格板的静、动态竖向位移最大值,得出车速为200km/h时此系统竖向振动响应时程曲线。计算结果表明,钢轨与博格板的静、动态竖向位移最大值接近,计算值均在通常值范围内,说明所提出的新模型正确、可行。     

基于BERT-BiGRU-ATT的社交媒体用户身份识别研究

随着互联网井喷式发展,社交媒体发展迅猛,但是伴随网络匿名特性出现的失范现象时有发生,如何准确判定社交媒体用户从属问题亟待解决.目前社交媒体信息载体多以短文本为主,语法语义过于灵活,难以准确获得文本特征向量.传统短文本作者识别多采用人工建模的方式对文本特征加以提取,设计纷繁复杂.结合深度学习的方法,提出BERT-BiGR...     

2节点6自由度直梁单元

利用构造形函数的方法,得到了2节点6自由度直梁单元形函数表达式,运用变分原理,对梁单元的总势能进行变分导出梁单元的刚度矩阵和节点荷载列阵.以集中荷载作用下的Winkler基础梁为例,分别用2节点4自由度和2节点6自由度梁单元的有限元法计算了梁中点的位移和截面弯矩,计算结果表明:在相同精度的条件下,用2节点6自由度梁单元的有限元法有利于提高计算效率.图4,表1,参12.     

基于UDEC的边坡稳定性分析

为了露天矿边坡有更好的治理,为其加固和生产提供理论依据,采用离散元软件UDEC模拟边坡失稳状态,探索边坡失稳的新理论和方法。结果表明:边坡的失稳主要受顺坡向的节理面和F1等断层控制。它在将来某种条件下的失稳破坏并会形成前端整体的滑动破坏模式。随着变形块体的下滑破坏,整体坡段也随之逐渐的失稳破坏说明离散单元法模拟的结果与工程地质特征相吻合,采用离散法模拟边坡失稳是完全可行的,为计算露天矿边坡失稳又增加了一种有效的分析方法。     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.