木材及木质复合材料的弯曲变形与固定的研究进展

弯曲木具有造型美观、工艺简单、成本低廉等优点,但是产品易出现回弹变形的问题亟待解决。笔者归纳了木材及木质复合材料弯曲后的变形与回复,以及四种固定弯曲木变形的方法。并对木质复合材料弯曲和实木弯曲的特点作了对比,在研究木质复合材料弯曲的变形、回复及固定方面提出了初步的构想。     

横向滑坡过程中管道的内力和变形计算

将滑坡体中的管道简化成大挠度的梁,将滑坡体外管道看作半无限长的梁或杆,考虑管梁的几何非线性、滑坡体外土壤的纵向抗力的物理非线性以及管道的内压和温差作用,基于滑坡体内外管道内力和变形的连续性,推导得出了在当量轴向力为拉力或压力两种情况下管道的内力和位移的有关计算式,提出了当量轴力为拉力或压力的判别式。横向滑坡中埋地管道的位移和内力计算最终归结于两个非线性方程的求解,可用牛顿迭代法或作图法解之。提供了     

双河口面板堆石坝三维有限元应力

采用三维有限元法对双河口面板堆石坝完建期(竣工期)和蓄水期的应力变形进行模拟计算，分析了不同时期坝体及面板的应力变形情况。计算结果表明，大坝应力变形满足安全要求。     

减速器高速齿轮轴的经济加工工艺

在常规的设备刀具条件下,通过改变工件的加工流程和方法,提高工件的机械性能、延长工件使用寿命。     

红麻料片压缩特性试验研究

通过对红麻料片压缩变形试验结果分析，得出红麻料片的压缩变形过程大致可分为弹性变形阶段（压力０￣３Ｍｐａ）、从弹性变形到塑性变形的过渡阶段（压力３￣１０Ｍｐａ）和塑性变表阶段（压力大于１０Ｍｐａ）；对红麻全杆、麻皮和麻骨料片的压力和压缩密度数据进行数学统计分析，建立了三种红麻料片所受压力与压缩密度之间的数学方程，为以后红麻原料打包试验研究工作的开展提供了依据。     

杆身截面积减小对连杆屈曲的影响

以某非道路四缸高压共轨柴油连杆为研究对象,采用由多体动力学与有限元分析结合的方法,研究了工字型杆身截面积参数变化对连杆整体屈服、疲劳安全系数和屈曲的影响规律.结果表明,杆身截面的宽度和厚度参数变化对连杆疲劳安全系数影响最敏感,其次是屈曲.厚度参数变化对连杆屈曲和疲劳安全系数的灵敏度影响相近.当杆身截面横截面积减少率相同...     

三层实木复合地板弯曲变形原因及控制措施

阐述了三层实木复合地板的结构特点,对其产生弯曲变形的原因进行分析,并结合生产实际提出了三层实木复合地板的质量控制措施。     

西南某电站引水线路滑坡特征及成因机制分析

西南某水电站引水线路靠近厂房段为三叠系须家河组和雷口坡组构成的顺层坡。现场调查发现,浅表层存在一个由四个滑坡组成的滑坡群,从南到北滑坡编号依次为A、B、C和D。滑坡A、B主要由块碎石土组成,滑坡C主要由块碎石土夹保持原岩层序的岩块（假基岩）组成,滑坡D基本由假基岩组成。这些滑坡属滑移-拉裂、滑移-弯曲、倾倒变形破坏机制。岩层中的软弱层面及有效临空面是滑坡发育的基本条件;降雨或地震是重要的诱发因素。     

秋、冬季刺参养殖池塘菌群的多样性分析

以黄海和渤海代表性刺参养殖池塘秋、冬季海水和沉积物基因组DNA为模板,以细菌16S r DNA通用引物进行PCR扩增,构建16S r DNA文库并进行测序分析,研究了秋、冬季刺参养殖池塘菌群的多样性。结果表明:海水和沉积物中主要包括11个门类的细菌,即变形菌门(Proteobacteria)、酸杆菌门(Acidobacteria)、放线菌门(Actinobacteria)、拟杆菌门(Bacteroidetes)、疣微菌门(Verrucomicrobia)、厚壁菌门(Firmicutes)、梭杆菌门(Fusobacteria)、蓝细菌门(Cyanobacteria)、浮霉菌门(Planctomycetes)、脱铁杆菌门(Deferribacteres)、绿弯菌门(Chloroflexi);黄海和渤海刺参养殖池塘海水和沉积物中优势类群均为变形菌(变形菌比例48%);用Shannon指数及Simpson优势度指数分析细菌的多样性,黄、渤海刺参养殖池塘中,冬季沉积物细菌Simpson优势度指数均最低,分别为0.014 89和0.016 50,Shannon指数均最高,分别为6.312和5.695。研究表明,黄海和渤海刺参养殖池塘中,冬季沉积物细菌多样性均最高。     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明：STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.