排序方式: 共有53条查询结果,搜索用时 15 毫秒
51.
以某体育场大跨度拱式钢管桁架结构为研究对象,采用ANSYS软件建立有限元模型,运用时程分析法对其进行了一致及多点地震激励作用的计算分析,通过对比一致及多点地震动激励得到的各杆件轴向应力最大值的平均值,了解其反应特点。研究表明:在多点地震激励作用下,拱结构各杆件的地震反应与一致激励作用下的情况差异较大,且变化特征较复杂。总体上看,拱架弦杆轴向应力大于一致激励下的情况,且杆件离支座越远,其应力水平越高,跨中附近的弦杆最大应力高达一致激励下应力水平的2倍左右;拱架撑杆的应力水平与一致激励下的情况接近;拱架各斜杆及竖杆的应力变化情况较复杂,但各杆总体应力水平远高于一致激励下的情况。抗震设计时尤其要注意对拱架跨中弦杆与腹杆的加强。 相似文献
52.
本文在前人研究的基础上给出了一种合成考虑空间相关性多点地震动时程的方法,该方法通过对互功率谱密度矩阵简化,只需要对迟滞相干函数矩阵分解,不需要对互功率谱矩阵进行Cholesky分解,避免了算数矩阵运算,提高了合成的效率。用该方法编制了相应的程序,给出了合成的算例。 相似文献
53.
卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容. 相似文献