预测层深论文-丁超,汤卓,彭君山,刘鑫鑫,罗正东

预测层深论文-丁超,汤卓,彭君山,刘鑫鑫,罗正东

导读:本文包含了预测层深论文开题报告文献综述及选题提纲参考文献,主要关键词:表面沉降预测,克里金代理模型,DACE,富水砂砾石地层

预测层深论文文献综述

丁超,汤卓,彭君山,刘鑫鑫,罗正东[1](2019)在《基于克里金代理模型的富水砂砾石层深基坑地表沉降预测》一文中研究指出针对沉降监控预测等大型深基坑施工风险控制难点,为确保工程及周边环境安全,解决基坑监测中的空白现象和揭示基坑开挖监测点后期的沉降趋势,引入克里金代理模型预测深基坑开挖的地表沉降变形规律。以长沙晚报大道地铁站深基坑为例,基于MATLAB编制的Kriging工具箱DACE,对监测到的数据进行前期处理,采用相应的非线性克里金代理模型计算分析了两个监测点的沉降变形值。通过现场实测数据对比,结果表明:预测结果能够满足工程要求,误差均在5%以内。随基坑开挖深度和监测数据样本量不断增加,相应计算结果的误差逐步降低,表明该方法是合理可行的,能够以监测点数据对基坑监测盲点进行模拟预测,相对准确地计算出沉降变形。研究成果为高地下水位区域基坑、隧洞工程安全施工提供科学依据。(本文来源于《水利水电技术》期刊2019年06期)

范雪燕[2](2004)在《激光表面淬火瞬态温度场的有限元模拟及硬化层深预测》一文中研究指出激光表面淬火是一个多参数综合的工艺过程,人们难以用实验的方法直接测量其瞬时温度分布,也就导致了很难对影响相变硬化层深的诸因素作出定量的分析。随着近代计算技术的发展,可望借助先进的计算机技术,对影响相变硬化层深的诸因素作出定量的分析。本文结合先进的大型有限元分析软件ANSYS,对激光表面淬火的温度场进行有限元模拟,并在此基础上,对此展开一系列研究。 根据物理原型的激光表面淬火的热传导微分方程,基于ANSYS环境下,建立叁维的有限元模型,考虑与实际接近的加载条件,并对整个激光扫描中温度场瞬态变化过程进行了模拟。激光淬火过程中,除进出端外,横截面的硬化层分布几乎一致。仅考虑硬化层分布而言,即针对研究相变硬化层深,又建立了运算量减少而精度大大提高的激光表面淬火的二维模型。 激光淬火硬化层深是衡量效果好坏的主要指标,该指标与激光功率P、光斑尺寸、扫描速度v等有关工艺参数有关,还与材料对激光束能量的吸收率有关。本文定义材料吸收激光能量与激光束能量的比值为激光能量转换系数η,η的影响因素包括了光束穿过光学系统的光学能量损失、因对流和辐射换热引起的能量损失、预处理过材料表面吸收系数随温度的变化。将实验数据和模拟数据相结合,深入研究能量转换系数η与工艺参数P、v的变化规律,建立了能预测硬化层深的数学模型,并再次用实验来验证其具有极高的精确性。通过反复实验和模拟验证,对于将预测的相变硬化层深误差率控制在5%以下,经证实是可以达到。本文是基于ANSYS的激光表面淬火过程中能量转换系数的分析,并且只针对45″钢和材料表面状况完全相同的情况,因此,对于不同材料和不同表面预处理的情况,文中结论则没有通用性。本文主要提供的是一种新的研究思路,结合先进计算机技术,为研究精确控制工艺参数和相变硬化层深提供依据。目前为止,对于精确预测相变硬化的深度基本上是一种设想。本文就是从这个角度出发,力求提供一种能精确预测层深的研究思路,这也是本文研究的意义所在。 此外,对激光表面淬火后硬化层的均匀性方面做了一些分析。激光表面淬火后的相变硬化层不均匀性主要体现在硬化层横截面形貌和进出端差异。对硬化层横截面形状的优化可以通过改变光斑功率密度分布来达到的观点,通过在ANSYS中的模拟理论上进行了验证。对于进出端差异的研究,主要是通过试验研究来考虑如何减少进出端的差异,并通过大量的实验数据推断出一系列的规律。(本文来源于《上海海事大学》期刊2004-07-01)

孙砚飞[3](2003)在《基于人工智能的硬化层深预测系统》一文中研究指出金属表面硬化层深的检测一直是机械工业部门急需解决的问题,涡流法作为一种无损检测方法相较于以往的破坏性检测有更高的可靠性和经济效益。然而用涡流法对它进行检测的最大难度在于检测信号的处理。由于涡流的检测层深和灵敏度受频率影响很大,单一频率检测不能满足不同层深的需要,本文采用多频涡流检测的方法,以使信号中充分包含有用信息。 信息融合作为信息领域的一项高新技术,目前主要用于多传感器融合中。它是把多个信息源所得到的冗余或互补信息,依据某种准则进行组合,以获得对被检测目标的一致性解释或描述。信息融合对于多信息的处理能力已得到了广泛应用,本文对于它在多频涡流信号处理中的应用作了系统的研究,首次提出了不同数量级信号融合的方法。 本文利用信息融合将多个频率下测得的涡流信号进行融合。采用模糊-遗传算法,信息融合过程中的推理由模糊聚合函数完成,模糊聚合比传统的集合论中的并和交操作能更好地模仿人的推理。模糊聚合函数的连接参数由遗传算法确定。该算法的优点是在信息源的可靠性、信息的冗余性/互补性不确定的情况下能够以近似最优的方法对信息进行融合。 通过信息融合,本文最后得出了一个硬化层深的预测系统,并通过待测试件验证了预测的可靠性。(本文来源于《武汉理工大学》期刊2003-05-01)

闫牧夫,祖国成[4](1992)在《3Cr_2W8V钢离子氮碳共渗表面硬度及层深的预测模型》一文中研究指出利用正文设计试验方法建立了3Cr_2W8V钢经不同离子氮碳共渗时间、温度和气压条件下渗层生长及表面硬度的定量模型。结果表明:所建立的定量关系式与试验结果吻合性良好。(本文来源于《材料保护》期刊1992年02期)

预测层深论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

激光表面淬火是一个多参数综合的工艺过程,人们难以用实验的方法直接测量其瞬时温度分布,也就导致了很难对影响相变硬化层深的诸因素作出定量的分析。随着近代计算技术的发展,可望借助先进的计算机技术,对影响相变硬化层深的诸因素作出定量的分析。本文结合先进的大型有限元分析软件ANSYS,对激光表面淬火的温度场进行有限元模拟,并在此基础上,对此展开一系列研究。 根据物理原型的激光表面淬火的热传导微分方程,基于ANSYS环境下,建立叁维的有限元模型,考虑与实际接近的加载条件,并对整个激光扫描中温度场瞬态变化过程进行了模拟。激光淬火过程中,除进出端外,横截面的硬化层分布几乎一致。仅考虑硬化层分布而言,即针对研究相变硬化层深,又建立了运算量减少而精度大大提高的激光表面淬火的二维模型。 激光淬火硬化层深是衡量效果好坏的主要指标,该指标与激光功率P、光斑尺寸、扫描速度v等有关工艺参数有关,还与材料对激光束能量的吸收率有关。本文定义材料吸收激光能量与激光束能量的比值为激光能量转换系数η,η的影响因素包括了光束穿过光学系统的光学能量损失、因对流和辐射换热引起的能量损失、预处理过材料表面吸收系数随温度的变化。将实验数据和模拟数据相结合,深入研究能量转换系数η与工艺参数P、v的变化规律,建立了能预测硬化层深的数学模型,并再次用实验来验证其具有极高的精确性。通过反复实验和模拟验证,对于将预测的相变硬化层深误差率控制在5%以下,经证实是可以达到。本文是基于ANSYS的激光表面淬火过程中能量转换系数的分析,并且只针对45″钢和材料表面状况完全相同的情况,因此,对于不同材料和不同表面预处理的情况,文中结论则没有通用性。本文主要提供的是一种新的研究思路,结合先进计算机技术,为研究精确控制工艺参数和相变硬化层深提供依据。目前为止,对于精确预测相变硬化的深度基本上是一种设想。本文就是从这个角度出发,力求提供一种能精确预测层深的研究思路,这也是本文研究的意义所在。 此外,对激光表面淬火后硬化层的均匀性方面做了一些分析。激光表面淬火后的相变硬化层不均匀性主要体现在硬化层横截面形貌和进出端差异。对硬化层横截面形状的优化可以通过改变光斑功率密度分布来达到的观点,通过在ANSYS中的模拟理论上进行了验证。对于进出端差异的研究,主要是通过试验研究来考虑如何减少进出端的差异,并通过大量的实验数据推断出一系列的规律。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

预测层深论文参考文献

[1].丁超,汤卓,彭君山,刘鑫鑫,罗正东.基于克里金代理模型的富水砂砾石层深基坑地表沉降预测[J].水利水电技术.2019

[2].范雪燕.激光表面淬火瞬态温度场的有限元模拟及硬化层深预测[D].上海海事大学.2004

[3].孙砚飞.基于人工智能的硬化层深预测系统[D].武汉理工大学.2003

[4].闫牧夫,祖国成.3Cr_2W8V钢离子氮碳共渗表面硬度及层深的预测模型[J].材料保护.1992

标签:;  ;  ;  ;  

预测层深论文-丁超,汤卓,彭君山,刘鑫鑫,罗正东
下载Doc文档

猜你喜欢