排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
沙漠风积沙稳定性差,采用水泥作为固化剂进行风积沙固化,是改善风积沙性质和实现风积沙资源化利用的有效手段。以取自内蒙古库布齐沙漠的风积沙为材料,制备3%含水量的重塑风积沙,掺入水泥固化剂并充分拌匀而形成固化风积沙,开展水泥固化风积沙的抗剪、抗压和抗拔承载性能试验。结果表明,水泥掺量对固化风积沙黏聚强度的提高程度要大于内摩擦角。含水量3%的风积沙掺入6%的水泥经28 d常温养护的固化风积沙无侧限抗压强度平均值为0.156 MPa。固化风积沙扩展基础抗拔荷载-位移曲线呈现初始弹性段至峰值荷载以及峰值荷载后破坏的两阶段脆性破坏特征。水泥固化提高风积沙抗拔承载性能效果显著,且与基础底板尺寸、抗拔埋深及基础深宽比等因素有关。 相似文献
2.
对于滑坡易发性预测中的水系、公路和断层等线状环境因子, 现有研究大多采用缓冲分析提取距离线状因子的距离。但缓冲分析得到的线距离属于离散型变量, 带有大小不等的随机波动性且对点或线要素的误差较为敏感, 导致滑坡易发性建模精度下降。提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性。以江西省安远县为例, 选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子), 再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子); 之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型, 分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性; 最后利用ROC曲线和易发性指数分布特征等来研究建模规律。结果表明: ①改进因子机器学习预测精度均高于原始因子机器学习模型, 表明空间密度对于易发性预测的适宜性更好; ②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好, 其次是SVM、MLP和LR; ③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前。 相似文献
3.
4.
5.
考虑场地类别与强震持时的滞回耗能谱的特征分析 总被引:3,自引:0,他引:3
基于力或位移的结构抗震设计方法大多无法反映地震动持时的影响,而能量设计方法则能较好地弥补其不足。按场地类别和强震持时,将302条Northridge地震记录分为15组,对地震记录的峰值进行规一化处理,采用钢筋混凝土退化三线型恢复力模型,对单自由度体系进行弹塑性时程分析,研究场地类别、强震持时、强度屈服水平以及结构周期等因素对滞回耗能的影响。结果表明:在给定地震记录的峰值和屈服强度水平下,结构的滞回耗能依赖于场地条件和强震持时等因素;滞回耗能随强震持时的增加而增大,随场地特征周期的增加而增大。通过非线性回归分析,建立了与峰值加速度、峰值速度、强震持时相对应的简化滞回耗能谱的计算公式。 相似文献
1