为研究预应力混凝土用钢棒(steel bar for prestressed concrete, PC钢棒)-钢筋混合配筋混凝土柱的抗震性能,设计制作了5根相同尺寸、相同纵筋配筋率、不同PC钢棒替代率的PC钢棒-钢筋混合配筋混凝土柱试件,通过拟静力试验研究了PC钢棒...为研究预应力混凝土用钢棒(steel bar for prestressed concrete, PC钢棒)-钢筋混合配筋混凝土柱的抗震性能,设计制作了5根相同尺寸、相同纵筋配筋率、不同PC钢棒替代率的PC钢棒-钢筋混合配筋混凝土柱试件,通过拟静力试验研究了PC钢棒替代率对试件抗震性能的影响规律。结果表明:随着PC钢棒替代率的提高,试件的裂缝分布高度降低,裂缝数量变少,滞回曲线的饱满程度逐渐降低,耗能能力降低,残余位移角减小,自复位能力增强;当PC钢棒的替代率不大于50%时,各试件的峰值荷载接近;当PC钢棒的替代率大于50%时,试件的峰值荷载随PC钢棒替代率的增大而提高;当加载位移角相同且不大于1.0%时,配置PC钢棒的混凝土柱的残余位移角较为接近,且明显小于未配置PC钢棒的钢筋混凝土柱的残余位移角;当加载位移角相同且大于1%时,柱的残余位移角随着PC钢棒替代率的增高而降低。展开更多
固体推进剂中AP颗粒的级配不同会导致力学性能相差巨大,为了探究AP颗粒的粒度值和质量分数对端羟基聚丁二烯(HTPB)推进剂力学性能的影响规律,采用机器学习的方法对推进剂的力学性能进行仿真预测,降低了实验成本并提高了预测效率。首先,...固体推进剂中AP颗粒的级配不同会导致力学性能相差巨大,为了探究AP颗粒的粒度值和质量分数对端羟基聚丁二烯(HTPB)推进剂力学性能的影响规律,采用机器学习的方法对推进剂的力学性能进行仿真预测,降低了实验成本并提高了预测效率。首先,对不同级配的HTPB推进剂进行拉伸试验,得到不同温度下抗拉强度和伸长率;其次,以拉伸试验结果为样本进行机器学习,分别构建了反向传播(Back Propagation,BP)神经网络、粒子群算法优化的反向传播(Particle Swarm Optimization Back Propagation,PSOBP)神经网络和遗传算法优化的反向传播(Genetic Algorithms Back Propagation,GABP)神经网络对推进剂的力学性能进行预测。结果表明,力学性能与颗粒级配的内在关系较为复杂,并非简单的线性关系。PSOBP和GABP可以用于预测不同级配下HTPB推进剂力学性能,并且GABP神经网络可以更好地预测推进剂的力学性能变化。展开更多
文摘为研究预应力混凝土用钢棒(steel bar for prestressed concrete, PC钢棒)-钢筋混合配筋混凝土柱的抗震性能,设计制作了5根相同尺寸、相同纵筋配筋率、不同PC钢棒替代率的PC钢棒-钢筋混合配筋混凝土柱试件,通过拟静力试验研究了PC钢棒替代率对试件抗震性能的影响规律。结果表明:随着PC钢棒替代率的提高,试件的裂缝分布高度降低,裂缝数量变少,滞回曲线的饱满程度逐渐降低,耗能能力降低,残余位移角减小,自复位能力增强;当PC钢棒的替代率不大于50%时,各试件的峰值荷载接近;当PC钢棒的替代率大于50%时,试件的峰值荷载随PC钢棒替代率的增大而提高;当加载位移角相同且不大于1.0%时,配置PC钢棒的混凝土柱的残余位移角较为接近,且明显小于未配置PC钢棒的钢筋混凝土柱的残余位移角;当加载位移角相同且大于1%时,柱的残余位移角随着PC钢棒替代率的增高而降低。
文摘固体推进剂中AP颗粒的级配不同会导致力学性能相差巨大,为了探究AP颗粒的粒度值和质量分数对端羟基聚丁二烯(HTPB)推进剂力学性能的影响规律,采用机器学习的方法对推进剂的力学性能进行仿真预测,降低了实验成本并提高了预测效率。首先,对不同级配的HTPB推进剂进行拉伸试验,得到不同温度下抗拉强度和伸长率;其次,以拉伸试验结果为样本进行机器学习,分别构建了反向传播(Back Propagation,BP)神经网络、粒子群算法优化的反向传播(Particle Swarm Optimization Back Propagation,PSOBP)神经网络和遗传算法优化的反向传播(Genetic Algorithms Back Propagation,GABP)神经网络对推进剂的力学性能进行预测。结果表明,力学性能与颗粒级配的内在关系较为复杂,并非简单的线性关系。PSOBP和GABP可以用于预测不同级配下HTPB推进剂力学性能,并且GABP神经网络可以更好地预测推进剂的力学性能变化。