杨杰
- 作品数：269 被引量：1,135H指数：16
- 供职机构：西安理工大学更多>>
- 发文基金：国家自然科学基金陕西省自然科学基金陕西省水利科技计划项目更多>>
- 相关领域：水利工程建筑科学自动化与计算机技术交通运输工程更多>>
- 一种土工织物充填管袋层间水平错动位移测量装置
- 本发明公开了一种土工织物充填管袋层间水平错动位移测量装置，包括：上保护壳，下保护壳，滑动保护壳，T型滑动块，位移传感器，滑动槽；所述下保护壳设置用于容纳位移传感器的容置腔，所述位移传感器的固定支座端与下保护壳一端固定连接...
- 江泉蔡新郭兴文杨转青杨杰钱龙
- 文献传递
- 一种水体底栖动物采样装置及采样方法
- 本发明公开了一种水体底栖动物采样装置及采样方法，采样装置包括航行机构、升降机构和采样机构；所述升降机构安装于航行机构上，所述采样机构连接升降机构并通过升降机构实现升降，所述航行机构用于承载升降机构和采样机构共同在水中移动...
- 杨义鑫叶逾鲁春辉谢一凡杨杰徐腾井淼沈城吉
- 块体-结构面模型及重力坝深层抗滑稳定的弹塑性分析被引量：1
- 1998年
- 提出了基于块体——结构面模型的基本原理进行重力坝深层抗滑稳定弹塑性分析的方法，并结合一些算例进行了分析，结果表明：该方法计算效率和计算精度均较高，在重力坝深层抗滑稳定分析中有其应用前景。
- 王瑞骏杨杰
- 关键词：块体重力坝深层抗滑稳定弹塑性分析
- 李家峡拱坝左岸高边坡岩体变位与安全性态分析
- 实际工程中常遇到山体单薄,地质构造发育,表层岩体卸荷松弛,甚至蠕变或滑移等高边坡安全稳定性问题,因而加强对此类高边坡岩体的变位监测并对实测数据进行及时的处理与分析,对于确保工程安全具有十分重要的意义.据此,本文以李家峡拱...
- 杨杰胡德秀关文海
- 关键词：水利工程李家峡拱坝安全监测
- 文献传递
- 混凝土结构内部缺陷超声波CT检测图像特征被引量：8
- 2019年
- 根据超声波CT原理,通过试验研究了混凝土内部不同尺寸、形状缺陷的检测效果以及不同的测试方法和不同的测线密度情况下对混凝土缺陷CT图像的影响。试验结果表明,在合理布置测线的情况下,超声波CT可精确、直观地反映出混凝土的内部缺陷;另外在相同布置方式下,增加射线密度图像重建效果明显改善。
- 杨杰王浩多程琳
- 关键词：混凝土无损检测
- 基于NRS-MSVR模型的混凝土坝变形多维精准预测被引量：1
- 2019年
- 以强化多输出支持向量机(MSVR)模型在混凝土坝变形多维预测中的鲁棒性和泛化能力为目标,围绕变形多维联合精准预测展开研究。在邻域粗糙集(NRS)理论的框架内发展了一种变形影响因子贡献度度量方法,实现了多影响因子约简和关键因子的提取。视关键因子为MSVR模型的输入变量,编制迭代加权最小二乘算法进行模型求解,进而建立混凝土坝变形多维预测的NRS-MSVR模型。通过工程实例,对NSR-MSVR和MSVR模型预测效果进行对比分析。结果表明,在两模型拥有高拟合精度的前提下,NRS-MSVR模型的预测精度更高,具备更强的鲁棒性和泛化能力,是混凝土坝变形多维联合精准预测的一种新方法。
- 任杰李景林李萌杨杰
- 关键词：混凝土坝
- 安向增发对上市公司经营绩效的影响研究
- 2020年2月14日再融资新规发布以来，定向增发融资方式条件放松，定增市场热度再起，有望再次推动资本市场融资规模的快速增长。定向增发作为上市公司筹措资金的重要手段，无论是融资数量还是融资规模，在近年来都得到飞速的发展，超...
- 杨杰
- 关键词：上市公司定向增发经营绩效
- 基于BVAR模型的施工期库岸边坡变形预测方法
- 本发明公开了基于BVAR模型的施工期库岸边坡变形预测方法，其特征在于，具体按照以下步骤实施：步骤1，获取边坡变形监测原始数据作为初始样本，对原始数据进行ADF检验；步骤2，构建BVAR模型；步骤3，通过吉布斯采样器获取B...
- 程琳江跃马春辉屈旭东杨杰
- 200m级高大型混凝土面板堆石坝安全监测及其设计思想
- 与坝高100m级的混凝土面板堆石坝相比,200m级高大型面板坝在变形、渗流、应力应变、坝工结构和受力特性等方面更具复杂性,因而加强其安全监测研究尤为重要.本文针对200m级高大型混凝土面板坝有关安全监测及其设计等诸多方面...
- 杨杰陈尧隆吴中如
- 关键词：混凝土面板堆石坝安全监测混凝土面板
- 文献传递
- 基于MLR–SARIMA模型的土石坝位移预测被引量：7
- 2019年
- 为分析周期因子与时效因子分别对土石坝位移的影响,更好地掌握土石坝位移变化的成因和趋势,进行土石坝位移数据中周期成分和趋势成分的变化规律和预测方法研究。采用HP(Hodrick–Prescott)滤波将实测位移序列分解为趋势项和周期项两部分,对趋势项建立基于MLR(multiple linear regression)的预测模型,对周期项建立基于SARIMA(seasonal auto-regressive integrated moving average)的预测模型,结合以上两模型的结果对土石坝位移进行预测,即MLR–SARIMA预测模型。该模型突出了MLR模型在趋势性数据上的预测优势和SARIMA模型在周期性数据上的预测优势,且仅从实测位移数据分析预测,可适用于缺少环境量数据的情况。实测位移序列经HP滤波分解后,趋势项位移呈缓慢增长趋势,年变幅从1.42至0.51 mm逐渐降低,表明由时效因子引起的土石坝趋势性位移量逐年减小,且已趋于稳定;周期项位移具有明显年周期性,这是由于土石坝位移受到年周期性变化的水位和温度影响,年变幅约为7.00 mm,表明该土石坝位移量主要是由周期因子引起的周期性位移;该变化规律符合土石坝位移的一般变化规律,说明HP滤波可很好地提取土石坝位移数据中的周期成分和趋势成分。MLR–SARIMA模型预测结果准确,相对误差较小,均在5%以内,且均方根误差、平均绝对误差百分比和调整的平均绝对误差百分比这3个指标均优于单一SARIMA模型,表明MLR–SARIMA模型突出了其在预测周期性和趋势性数据方面的优势,可适用于土石坝位移预测。
- 李斌李斌胡德秀杨杰
- 关键词：土石坝HP滤波
