中原城市群公路网络建设与城市化水平相关性研究

分析了中原城市群地区1994～2004年公路交通网络和城市化的发展及现状,寻求区域内公路网络发展和城市化水平相关性,得出二者无论是在时间序列还是在空间系列上都具有显著的线性相关性.证明陈彦光提出的线性相关模型不仅可应用于铁路交通网络分析,而且还能适用于公路交通网络分析.在市场经济条件下,交通网络与城市化是同步发展、相互促进的,且相关性更强.     

基于神经网络的滑移隔震结构智能半主动控制

考虑上部结构的刚度和阻尼,使用神经网络控制算法计算基底摩擦力的大小,研究了滑移隔震结构的半主动控制。对计算实例的分析表明,通过半主动控制的滑移隔震结构不但具有较好的隔震效果,且能有效地减小基底的最大滑移量及残余位移。为对比各种控制方法的控制效果,文中还利用Bang-Bang控制和瞬时最优控制算法对滑移隔震结构进行了半主动控制。对比分析表明,基于神经网络控制算法的控制效果优于其它控制算法,具有反馈量少,稳健性强等特点。     

网络计划管理技术在长江某穿越隧道工程中的应用

网络计划技术是一种科学的计划管理技术，它对工程组织过程和项目实施步骤进行全面的规划、编排，并在工程项目实施初期对多种方案进入深入的研究与比较，更科学地进行目标进度的安排。本文以长江某穿越隧道工程为例，详细探讨了用网络计划技术进行工程管理的过程。     

水库群优化调度函数的人工神经网络方法研究

提出了研究水库群优化调度函数的人工神经网络方法,并探讨了神经网络的训练参数、训练方法和训练样本的改变对网络训练和应用效果的影响。实例研究表明,模型及其算法是可行的、有效的。     

BP网络在位场解释中的应用

介绍了ＢＰ网络的特点，阐述了它在位场资料解释中应用的方法、特点和可行性。通过模型计算证实了该方法在位场异常识别中的效果，正确率达９７％。此外，通过修改网络单元的激发函数，增强网络的稳定性和内插功能，使ＢＰ网络在多层密度界面反演中得到满意的结果，模型和实例计算证明了该方法的有效性。     

陕甘宁盆地中部气田马五1段储层识别模型

本文应用多项式自组织方法，以１０个特征参数建立了中部气田马五１段储层气、水、干层判识的非线性网络模型，９２个已知样本的吻合率达９８．９％，为储层识别探索了又一新的方法，可供矿场参考     

亚洲中东部岩石圈塑性流动网络与构造应力场

:板块边缘驱动作用主要通过岩石圈下层的网络状塑性流动实现其向板内的远程传递 ,并控制上层的构造变形。相应地造成构造应力场的的多层分布格局 ,主要包括下层 (含下地壳和岩石圈地幔 )、多震层 (属于上部地壳 )和浅层 (浅表地壳 )应力场。这些层中最大压应力方向可分别采用塑性流动网络共轭角平分线、震源机制解和井孔应力测量等方法加以确定。根据对亚洲中—东部下层与多震层应力场的对比表明 ,大部分地区二者的应力方向基本一致 ,表明了下层对上层的控制 ,这对了解板内应力场的一般趋势与格架提供了基础。靠近驱动边界的局部地段 ,由于上部地壳直接的传递作用 ,往往导致上、下层应力方向的显著偏差 ,有可能成为进一步了解深浅层联系和差异的一种方法     

叠前正演模拟与偏移的网络并行计算

在叠前深度偏移和非零炮检距声波方程正演计算过程中包含了大量的可并行计算的成分。作者在本文中提出叠前正演模拟与偏移的网络并行计算算法，并基于TCP／IP协议，将该算法设计成网络并行处理程序，极大地提高了计算效率。实际运算结果证明，本文提出的并行算法和技术路线是切实可行的。     

The introduction of neural network system and its applications in rock engineering

The neural network system has been developing very fast recently. It has been widely used in many industries such as automation, nuclear power plant, chemical industry, etc. Neural network systems have a great advantage in dealing with problems in which many factors influence the process and result, and the understanding of this process is poor, and there are experimental data or field data. In rock engineering, many problems are of this nature. In this paper, a brief introduction to neural network systems is given. Problems such as what is a neural network, how it works and what kind of advantages it has are discussed. After this, several applications in rock engineering, made by us, are presented. Case 1 is ore boundary delineation. In this case, the rock are divided into three classes, i.e.: (1) waste rock; (2) semi-ore; and (3) ore for mining purposes. The neural network system built can judge whether it is ore, semi-ore or waste rock along the borehole according its corresponding geophysical logging data, such as gamma-ray, gamma-gamma, neutron and resistivity. Case 2 is aggregate quality prediction. In this case, the quality parameters: (1) impact value; (2) abrasion value I; and (3) abrasion value II are predicted by using a neural network system based on density, point load, content of quarts and content of brittle minerals. Case 3 is rock indentation depth prediction. In this case, the rock indentation depth under indentation load is predicted by the established neural network system based on the indentation load on rock, indenter type and rock mechanical properties, such as uniaxial compressive strength, Young's modulus. Poisson's ratio, critical energy release rate and density. In all these cases, the neural network systems have been applied successfully. The testing results are satisfactory and better than the existing techniques.