摘要：现今已研发并应用于工程实际的阻尼器有多种形式,软钢阻尼器是较常见的一种。软钢是指硬度小、含碳量低的低碳钢,在进入塑性状态后具有良好的滞回特性,可以在弹塑性滞回变形过程中吸收大量地震能量。软钢阻尼器充分利用了软钢具有较好的屈服耗能性能和进入塑性阶段后良好的滞回特性。软钢阻尼器在实际结构振动控制中具有广泛的应用前景。本文以某学校的教学楼应用软钢阻尼器的减震设计为例,通过对结构进行弹塑性时程分析及对比应用软钢阻尼器的减震结构与非减震结构的抗震性能可知,应用了软钢阻尼器的减震结构具有良好的减震抗震效果,相比于非减震结构抗震性能有显著改善。

摘要：蛋白质溶解性是生物信息学领域的重要研究课题,通过分析蛋白质溶解性数据,结合特征提取和深度学习技术,设计多种卷积神经网络预测蛋白质溶解性的模型.使用CD-HIT对蛋白质原始数据进行降噪,并利用G-gap对每个样本进行张量化处理,得到适用于卷积神经网络的特征数据,作为模型其中一路网络的输入;为提高模型预测精度,对每个样本利用SCRATCH工具提取6维序列特征和51维结构特征作为额外特征,作为模型的另一路网络输入.依据数据特点,通过对卷积层的串并联结构调整组合,设计4种不同网络模型,实现蛋白质溶解性预测.通过对比试验确定网络结构和参数,结果表明基于深度双路卷积神经网络DDcCNN(Deep Dual-channel Convolutional Neural Networks)的蛋白质溶解性预测模型整体性能最优,其预测精度、查全率、查准率、MCC(Matthews Correlation Coefficient)等性能指标分别达到76.31%、65.31%、75.05%、0.55.并通过与基于传统的深度神经网络、支持向量机、随机森林、决策树建立的预测模型以及现有的研究成果进行比较试验,证明了本研究设计的有效性.

摘要：针对嗜热蛋白质特征表征能力不足影响预测精度的问题,基于FF和VIM提出了一种新的嗜热蛋白质预测方法。利用MAAC、G-gap二肽组成和CTDC三种特征提取方法,构建499维特征;为减少特征冗余对预测性能的影响,设计VIM算法进行特征筛选,得到179维的最优特征子集;通过对比实验,建立多层感知机预测模型;在独立测试集下所建模型精度达到93.19%,与传统的单一特征提取方法相比有显著改善,总体性能优于已有方法,具有一定的理论和实际意义。

摘要：为了优化上承式拱桥的安全性能,提出了两种新型桥型,并以实际工程为背景采用有限元软件建立参数化模型进行力学分析。结果表明,飞燕上承式结构造型更美观,而刚架拱组合静动力性能更优,稳定性更高,在地震响应下结构更安全。所得结论为上承式拱桥的规划设计提供了参考。