论文部分内容阅读
利用环境脉动作为激励振源,测试了一叠层橡胶支座隔震结构的脉动响应信号,并利用工程振动反演理论分析得到了该结构的固有频率、振型、阻尼比等动力特性。将其与理论计算结果进行了比较分析,可以认为,用脉动法获得的是隔震结构发生微小变形时的动力特性,为今后进行隔震结构的设计提供了参考。
隔震结构动力特性脉动测试与分析
【摘 要】
：
利用环境脉动作为激励振源,测试了一叠层橡胶支座隔震结构的脉动响应信号,并利用工程振动反演理论分析得到了该结构的固有频率、振型、阻尼比等动力特性。将其与理论计算结果进行了比较分析,可以认为,用脉动法获得的是隔震结构发生微小变形时的动力特性,为今后进行隔震结构的设计提供了参考。
【机 构】
：
工业建筑
【出 处】
：
工业建筑
【发表日期】
：
2008年S1期
其他文献
功能肽识别问题是计算生物领域一个重要的研究方向,目的是确定一段给定的蛋白序列是否是某种肽。该研究能够帮助我们了解蛋白质的功能,在药物设计等多个不同领域都有重大作用。随着近些年蛋白质序列的指数增长,传统的实验验证的方式很难满足现在的识别需求,并且随着计算机计算能力不断提升,采用与机器学习结合的基于计算的预测方法,设计出能方便、快捷、准确的分类器模型,大大的提升了功能肽识别预测的效率。在本文的研究工作
学位
随着移动社交网络的快速发展,也为移动网络带来了如移动流量暴涨等许多新的问题和挑战,移动边缘计算（MEC）和设备到设备（D2D）通信技术被认为是解决这些问题的有效方法,而目前基于MEC和D2D的相关研究都没有关注于移动社交网络中用户间社交关联的稳定性。社交网络的稳定性得不到维护会由于个别关键用户的离开而导致人员流失,使得网络发生坍塌并最终使得网络解体,彻底失去竞争力。其对于提高网络资源传输的可靠性和
学位
深度神经网络（Deep Neural Networks,DNNs）由于性能出众,被广泛应用在自然语言处理以及计算机视觉等领域,但其本身还是存在一定的缺陷,即深度神经网络易受对抗攻击。DNNs会被难以察觉的对抗扰动所欺骗从而导致错误决策。对抗训练是目前最有效的防御方法之一,旨在降低对抗样本导致DNNs模型被欺骗的风险。但是以往的对抗训练方法对于原样本和对抗样本的预测准确率还有待改善,并且训练收敛速度
学位
动态复杂网络因其能够建模许多现实世界复杂系统而受到广泛关注。动态网络演化和社团检测是动态复杂网络分析的核心任务。目前已有的动态网络表示学习方法大多只考虑了网络的演化特性以及低阶的结构信息,而忽略了高阶的社团信息。本文利用表示学习技术在捕捉网络演化模式的同时对节点添加社团级的约束,从而提高节点表示能力;随后,基于网络表示设计出面向较大规模网络的动态社团检测模型。本文的主要研究内容如下:首先,探究了社
学位
＜正＞ 在人体排尿过程中尿流最是由小转大而达到高峰,然后再逐渐减小,直到排尿结束为止,可构成一条尿流尾曲线。下尿路的很多病变可影响这条曲线的形态。医生直接观察尿流虽然比较直接、简单,但是不准确,因此需要用仪器加以记录。近十几年来各国的学者分别用不同原理设计制作各种类型的尿流量计。早在1948年,Drake报告利用尿流重量来测定尿流量。1967年Cardus等让尿流经一个漏斗,使尿流中所含的电解质改
期刊
以KOH为活化剂，优化毛豆壳活化生物炭（A-SBC）的制备条件，研究不同体系对A-SBC吸附甲萘威的影响，分析A-SBC对甲萘威的吸附动力学、热力学特性，以期为实现毛豆壳的资源化利用和控制甲萘威农药的环境污染提供理论依据和技术支撑。结果表明：将毛豆壳在700 ℃、1 h预碳化后，与KOH按1:2.0的质量比混合，在750 ℃、1.5 h的条件下活化，获得的A-SBC对甲萘威的吸附性能最佳，吸附率达
期刊
显著对象检测是计算机视觉领域中捕获图像关键区域的重要手段。随着互联网的普及以及移动拍摄技术的完善,大量图像数据涌现,在为显著对象检测工作提供便利的同时,也对其精准度和泛化性提出了新要求,带来了新挑战。近年来,基于深度学习的显著性检测工作在特征提取方面做出了突破,可以有效代替传统手工特征提取,节省了人力、物力资源。然而,如何提取高质量的有效特征,实现更高效的检测,是当下面临的主要挑战。对此,论文提出
学位
目前3D数据的深度学习架构被广泛应用于分类、分割、场景识别等任务中,众多的3D数据表示形式中3D点云和体素是较为常见和常用的两种表示方法,基于3D点云数据提出的Point Net和基于体素数据的Vox Net网络均在3D物体的分类领域得到了很好的效果。但是基于点云的深度学习方法和体素的深度学习方法各有缺陷和不足。点云数据是非结构化数据,缺乏数据结构,从无序的点集输入中获取模型的局部特征较为困难,需
学位
射频干扰的识别和标记是500米口径球面射电望远镜（FAST）数据处理流程（pipeline）的主要步骤之一。由于其较高的灵敏度和较大的数据产生率,需要一种准确和有效标记FAST的中性氢数据中射频干扰的方法。在过去的几年里,采用人工智能（AI）的方法,如使用卷积神经网络（CNN）的模型,已经能较为可靠和有效地识别射频干扰。然而,用这种方法标记FAST的射频干扰通常还需要进一步对结果进行人工优化,仍无
学位