Seismic Behavior of Asymmetric Building under Pushover Analysis

Pushover analysis is a tool to study the inelastic behavior of structures under strong seismic action. The 3D-pushover analysis was performed to analyze the inelastic lateral-torsional coupled response of multistory asymmetric structures. The symmetric frame and frame-wall systems were studied in this paper, and the capability curve of the top displacement and base shear,the story drift and the position of rotation center were compared with reference to corresponding symmetric structures. The characters of inelastic response of multistory asymmetric structures were found. The conclusion provides reference for performance-based seismic design of asymmetric structures.     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

小麦花培材料的筛选和利用

花培育种是一条快速有效的育种途径，采用两种培养基对20个小麦组合材料进行花培分析，结果表明：小麦花培愈伤组织诱导培养基K优于C17，绿苗产率是C17的3.5倍多。不同基因型材料花药培养差异较大，筛选出一批不同类型的高培养力基因型材料，为有目的组配杂交组合提供依据，提高花培育种效率。     

可视化编程技术在发动机外特性曲线绘制中的应用

通过对汽车发动机外特性的理论分析,在处理汽车发动机外特性曲线时,建立了一种适合处理发动机外特性曲线的三次样条函数拟合的数学模型,在C Builder可视化开发平台上,编制了汽车发动机外特性曲线绘制程序.利用三次样条函数插值法对实验数据进行拟合,实现了发动机外特性曲线绘制的自动化.     

新疆阿瓦提灌区土壤盐渍化状况的

采用主成分分析方法对阿瓦提灌区土壤盐渍化状况进行了研究，结果表明，该地属于中重度硫酸盐盐渍地，0～30cm耕作层含盐量在0.5%-4%之间，在灌区内部土壤盐分存在多次积盐和脱盐过程，耕作层第一、二主成分显著，累计贡献率高达90%，第一主成分综合反映灌区内土壤盐渍化程度，第二、第三主成分联合反映了土壤的碱性特征。     

摆动活齿传动系统扭转振动分析

建立了摆动活齿传动系统的扭转振动动力学模型，导出了该扭振系统的振动方程。系统动力学模型考虑了活齿传动双排结构中激波器、活齿、活齿架的转动惯量、时变啮合刚度、误差、阻尼等，因此，所建立的微分方程式是多自由度时变方程组，对此，采用四阶Runge-Kutta法对系统动态响应进行了求解。     

含间隙内燃机曲柄滑声机构动力学研究

考虑到含间隙运动副副元素的碰撞接触时的边界条件，采用非线性弹簧力和非线性阻尼描述副无素的碰撞接触过程，以此为基础建立了含间隙内燃机曲柄滑块机构的动力学模型；通过数值仿真研究了运动副间隙对机构动态特性的影响，并指出在机构高运转条件下，运动副元素存在连续变形接触现象。     

关于滚子链额定功率曲线的探讨

在分析ISO10823、DIN8195、ANSIB29.^-1等标准和有关文献的基础上，结合一些国际知名链条公司的功率曲线，探讨了ISO10823功率曲线的建立基础，提出了使用标准时应注意的问题。     

基于PCA-GA-SVM的甘蔗收获机运行状态识别

由于甘蔗收获机在收获过程中智能化水平较低,依靠人工操作很容易对甘蔗收获机的运行状态产生误判,从而造成物流通道堵塞、能源浪费、收割效率低。针对这些问题,提出一种基于主成分分析(PCA)、遗传算法(GA)和支持向量机(SVM)状态识别模型。首先,通过实地采集甘蔗收获机刀盘轴、行走轴、切段轴和风机轴扭矩和行驶速度特征信息,然后通过PCA进行数据降维,最后利用GA优化参数C、γ,使用每个特性信息来训练SVM,对甘蔗收获机运行状态进行分类。结果表明:PCA-GA-SVM状态识别模型对甘蔗收获机运行状态的识别准确率为93.75%,建模时间为3.688 s,与SVM(81.25%,9.487 s)、PCA-SVM(87.5%,5.817 s)和GA-SVM(90%,8.969 s)进行对比,该模型具有最高准确识别率和最快建模速度,具有较大的应用价值。