割缝施工中钢球及颗粒的沉降速度

在水力喷砂割缝施工中，钢球和石英砂的沉降速度和它们到达割缝层位的时间是施工中的一项重要参数，本文针对不同实际情况分别采用层流和紊流运动方程求解了钢球和石英砂的在油管中沉降速度，并计算出了到达井下一定位置所需的时间。从而保证了后续施工的正常进行。     

生存迁移算法

基于生物迁移的机理,提出了一种新算法--生存迁移算法.每个生物体都存在着生存极限,生存极限会随着时间不断演化,而生物体为了生存又会在空间上不断地迁移,当全部个体所在位置的生存状况都能满足生存极限时,就认为达到了最佳的生存位置.文章分析了算法的机理与过程,用其解决了四种类型的非线性最优化问题,并进行了比较分析,实验结果说明生存迁移算法具有较快的收敛性,能较好处理一些优化问题.     

非完整复曲线的坐标计算

复曲线两交点间未设置基线而采用两圆曲线的切线交叉连接,是高速公路中较特殊线路形式.本文通过对非完整复曲线的分析、研究,介绍了在进行此类复曲线放样前所用的坐标计算方法.     

基于秘密共享的本地多节点联邦学习算法

深度学习技术在各个领域中的应用越来越广泛,而深度学习模型的准确性需要依靠大量的训练数据。由于数据安全和法规限制,许多领域存在无法集中数据进行训练的情况,导致“数据孤岛”的现象。对此,谷歌提出能使大量客户端在数据保存本地的情况下与可信服务器联合训练模型的联邦学习。目前,联邦学习的研究主要集中在安全性和训练效率的问题上,针对跨数据库联邦学习场景,文章将分层联邦学习和基于安全多方计算的隐私保护机制结合,提出了一种基于秘密共享的本地多节点联邦学习算法Mask-FL,以保证联邦学习安全性的同时提高训练效率。主要工作包括：(1)提出本地多节点的跨数据库联邦学习框架,客户端利用本地计算资源生成多个本地节点,并且根据基于计算能力的数据划分方法进行分配数据资源,每个客户端代表局部所有节点参与全局联邦学习训练,从而构成3层级的分层联邦学习;(2)提出基于秘密共享的自适应掩码加密协议,在前面提出的联邦学习框架基础上,通过秘密共享的方式生成可复用的安全参数掩码,本地节点在训练过程的上行通信中对模型添加掩码从而保护模型参数安全。经过安全性假设分析证明,该算法可保护客户端的数据隐私安全。在通用数据集的实验表明,该...     

基于移动边缘计算的超密集异构网络数据存储

针对目前超密集异构网络数据存储方法存储速率过慢,导致存储量较小,难以满足人们的要求,提出了基于移动边缘计算的超密集异构网络数据存储方法。构建基于移动边缘的网络结构模式,采用网络结构层次分析法,对超密集异构网络建立相应的选择层次模型,并根据网络数据收集和处理将其分类为数据收集网络和数据处理网络,最后,利用移动边缘计算技术,将写入的网络数据下沉到网络边缘,实现超密集异构网络数据的持久存储。实验结果表明,基于移动边缘计算的超密集异构网络数据存储方法能有效提高存储速率,扩大存储量。     

滨海高速公路软基变形规律及沉降预测应用

滨海高速公路因软土欠固、海盐侵蚀和鱼塘开挖等因素导致路基出现一定程度的差异沉降,对高速运行车辆造成严重的安全隐患.为了探讨软土路基沉降变形规律,对路面沉降量、水平侧向位移和路基裂缝间的关系进行分析.基于路面实测沉降资料,建立以误差平方和倒数与误差绝对值倒数为基础的变权重组合预测模型.工程实例分析表明,当路面累积沉降差大...     

下承式简支系杆拱桥结构设计

在桥梁设计中,由于下承式简支系杆拱桥具有桥面系主梁建筑高度低、造型优美、跨越能力大、造价低等独特的技术优势,常应用于跨河流、路桥及市政景观桥的设计中,尤其在跨度范围50～300 m的城市道路、公路及铁路桥梁中被广泛应用。该文结合南京禄口新城如意湖大桥设计实际工程案例,对该工程桥梁的桥型方案、结构设计方案及结构计算结果进行分析,可为今后该桥型的设计和施工提供一定借鉴经验。     

公路新桥规的箱梁翼缘有效宽度计算曲线图形的数值化

对新桥规中的ρs,ρf计算图形曲线关系进行了数值化,得出了1张插值数表和2个数学拟合公式。这使得应用新桥规时进行箱梁剪力滞分析变得更加便捷。另外,本文的数值化方法,对类似工程问题具有较强的借鉴意义。     

基于NTRU格的云数据可撤销属性基加密方案

针对现有基于离散对数求解难题的云数据加密方案无法抵御量子计算攻击并同时实现安全有效的属性撤销问题,提出一种基于NTRU格的云数据可撤销密文策略属性基加密方案RNL-ABE.首先将基于NTRU格的加密算法与属性基加密结合以抵御量子计算攻击,实现细粒度访问控制和安全属性撤销,避免重新进行密钥分发;改进密钥结构,防止系统中的合法用户、撤销用户、外部攻击者之间实施共谋攻击.最后基于环上误差学习难题(R-LWE),对RNL-ABE方案进行了形式化证明,并与同类型方案进行了仿真性能比较.结果表明:RNL-ABE方案在选择属性集模型下能够抵御量子计算攻击并实现安全的属性撤销;相比其他同类型方案,所提出方案在效率上更具有优势,计算和通信开销均减少50%以上.