期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
试论小城镇供水管网的漏水及防治 被引量:7
1
作者 杨传根 《给水排水》 CSCD 1995年第6期38-40,共3页
近年来我国小城镇供水事业发展迅速,但由于规划、管理、技术上的滞后,使有些城镇的供水管网漏水现象严重,有的漏失率高达14%.文中初步分析了管网漏水的原因,并提出了一些防治方法.
关键词 城镇 给水 管网 渗漏 防治
下载PDF
声波最小二乘偏移不同精确伴随算子对的定量关系分析 被引量:1
2
作者 王建森 任玉晓 +3 位作者 陈磊 严冬 杨传根 许新骥 《石油地球物理勘探》 EI CSCD 北大核心 2022年第3期624-637,I0005,共15页
最小二乘偏移(Least Squares Migration, LSM)是一种备受关注的高分辨率成像方法,它的成功应用取决于正演—偏移算子对的伴随特性。通常,正演—偏移算子对可以根据Born近似理论或逆时偏移(Reverse Time Migration, RTM)过程构建,也可以... 最小二乘偏移(Least Squares Migration, LSM)是一种备受关注的高分辨率成像方法,它的成功应用取决于正演—偏移算子对的伴随特性。通常,正演—偏移算子对可以根据Born近似理论或逆时偏移(Reverse Time Migration, RTM)过程构建,也可以基于两者同时构建。波动方程离散化和数值实现方法会影响其伴随特性,通过点积测试可以对伴随特性进行数值检验。然而,不同伴随算子之间的关系和成像结果差异目前尚不清楚。为此,从二阶声波方程的矩阵表达式入手,推导出了三组精确伴随算子对。其中两组分别基于Born近似理论和RTM过程构建,第三组是利用声波方程的自伴随离散化形式构建,分别将它们命名为Born-AdjBorn、DeRTM-RTM和自伴随Born-RTM算子对。对应的LSM过程分别称为LSBM、LSRTM和自伴随LSBRTM。通过数学推导和矩阵分析,得出了基于三组伴随算子对的成像结果之间的一系列定量关系,并应用数值算例进行了验证。 展开更多
关键词 声波LSM 波动方程离散化 精确伴随算子对 定量对比
下载PDF
教师应在成功教育中发挥主导作用
3
作者 杨传根 段玺 《陕西教育学院学报》 2000年第1期96-96,F003,共2页
教师作为教学的主体 ,在实施成功教育中起着主导作用。教师要充分认识成功教育对学生一生成长的重要性 ,摒弃偏见 ,发扬爱心 ,从对学生的称赞和欣赏入手 ,发掘学生潜在的能力 ,消除学生心理障碍 。
关键词 素质教育 成功教育 心理素质 自我教育 教师 主导作用 教育策略 课外活动教育
下载PDF
微机综合自动化技术在水电站监控中的应用探讨
4
作者 杨传根 《山东工业技术》 2014年第1期37-37,共1页
水电站的监控系统利用对于水电站的不同设备的信息采集与处理,对水电站的运行进行监控,微机自动化技术能够实现在水电站中进行自动的监控,调节和保护,具有灵活,可靠,稳定的优点。介绍了水电站微机综合自动化技术,阐述了水电站微... 水电站的监控系统利用对于水电站的不同设备的信息采集与处理,对水电站的运行进行监控,微机自动化技术能够实现在水电站中进行自动的监控,调节和保护,具有灵活,可靠,稳定的优点。介绍了水电站微机综合自动化技术,阐述了水电站微机自动监控系统功能;重点探讨了微机综合自动化技术在水电站的应用。 展开更多
关键词 微机自动化技术 水电站 监控
下载PDF
基于注意力加强Bi-LSTM模型的TBM掘进参数预测研究 被引量:6
5
作者 张庆龙 朱燕文 +4 位作者 马睿 严冬 杨传根 崔同欢 李庆斌 《现代隧道技术》 CSCD 北大核心 2022年第4期69-80,共12页
使用Bi-LSTM模型预测TBM掘进参数时在模型训练用时与收敛速度方面存在不足。对传统注意力机制使用方式进行改进,提出了一种以并行融合方式形成的注意力加强的双向长短时记忆网络(Bi-LSTM+EMB_ATT)智能预测模型,并选取完整掘进循环数据预... 使用Bi-LSTM模型预测TBM掘进参数时在模型训练用时与收敛速度方面存在不足。对传统注意力机制使用方式进行改进,提出了一种以并行融合方式形成的注意力加强的双向长短时记忆网络(Bi-LSTM+EMB_ATT)智能预测模型,并选取完整掘进循环数据预测TBM稳定段的掘进参数。采集吉林引松工程TBM3标段的运行数据并划分训练集和测试集,采用二值状态判别函数等方法预处理数据,利用皮尔逊分析结果选取完整掘进循环段21维掘进参数作为预测模型的输入,并对比分析并行连接的Bi-LSTM+EMB_ATT模型与串行连接的BiLSTM+ATT模型。结果表明,Bi-LSTM+EMB_ATT模型对TBM掘进参数的预测拟合优度均达0.91以上,平均绝对误差均小于2.7%,比Bi-LSTM+ATT模型的预测精度更高。 展开更多
关键词 TBM 注意力机制加强 Bi-LSTM模型 完整掘进周期 掘进参数预测
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部