简介:目的:能量桩在工作状态下的热力学响应十分复杂,同时受到桩顶荷载、桩侧摩擦以及温度等多重因素的影响。当群桩中出现部分能量桩不工作时,将造成上部结构的额外应力与变形。因此,本文重点探讨摩擦型能量桩群桩中部分能量桩在加热制冷作用下的热力学响应,并与单桩的热力学效应进行对比分析。创新点:1.通过建立摩擦型能量桩群桩模型试验,探讨桩侧摩擦对能量桩群桩的影响规律:2.利用能量桩群桩与单桩对比,揭示能量桩群桩与单桩热力响应特性的区别;3.揭示部分能量桩加热制冷作用对能量桩群桩的影响机理。方法:1.建立摩擦型能量桩群桩及单桩的模型试验;2.将能量桩群桩与单桩进行对比,研究能量桩群桩与单桩热力响应特性的区别;3.进行能量桩群桩部分加热制冷试验。结论:1.对于长期工作的能量群桩,可以将其视为一个长宽高与整个群桩相同的热交换体,其表面温度与群桩的平均表面温度一致。2.能量桩单桩在加热过程中,由于桩底受到的限制较大,所以桩顶位移大于桩底位移。3.能量桩单桩在制冷过程中,由于土体及桩体收缩,会出现明显的下沉。4.能量桩群桩桩帽在加热过程中,桩帽的位移与群桩的上半部分长度相关:在本文的试验中,由于群桩上半部分受土的限制较小,因此其位移与桩自由膨胀的位移一样。5.能量桩群桩在制冷期间,群桩的下沉量级要比单桩的大。6.在制冷过程中,能量桩群桩在群桩效应作用下,内部桩的桩底热位移较大。7.能量桩群桩在部分加热的情况下,会出现不均匀沉降,且在加热期间,沉降主要受到不工作桩的牵制影响;而在制冷期间,沉降主要受工作桩的下沉影响。8.摩擦型能量桩的热引起的桩身轴力是与桩侧的土压力大小相关的;由于群桩在群
简介:用密度泛函理论B3LYP方法,在6-31G基组水平上,对12个全氟化合物分子进行了全优化计算,得到其分子零点振动能EZPV、热能校正值Eth、恒容热容CVΦ、标准熵SΦ以及配分函数lgQ等热力学参数,并计算了这些分子的电性拓扑状态指数Em.通过最佳变量子集回归建立了电性拓扑状态指数与热力学参数之间的QSPR模型,模型的相关系数R2分别为1.000,1.000,1.000,0.999和1.000,采用逐一剔除法得到的交叉验证相关系数R2cv分别为0.999,1.000,1.000,0.999和1.000,利用建构的数学模型得到热力学性质的相对平均误差分别为0.43%,0.41%,0.46%,0.41%和0.71%.从方程可以看出,F原子取代基数量是影响全氟化合物分子热力学参数大小的主要因素,检验证明所建模型具有良好的稳定性和预测能力.
简介:将乙二醇分子模拟成一个多自由度无阻尼自由振动体系,用振动力学有限元分析方法中的空间刚架元对乙二醇分子结构隐氢图进行分析求解,可得到相应的分子结构固有频率.选择其中的基频、总频及其确定的Lennard-Jones势函数为模型参量,用于建立乙二醇液体热导率温度关联式,其相关系数高达0.9945;用于建立乙二醇和1,2-丙二醇液体热导率-温度关联式,其相关系数高达0.9998;用于建立乙二醇、1,2-丙二醇和丙三醇(甘油)3种液体热导率-温度关联式,其相关性高达0.9976.结果表明:基于分子结构固有频率和Lennard-Jones势函数的热导率-温度关联式可用于不同温度下多元醇类液体热导率的预测和估算.
简介:利用两种杂化DFT方法(BHLYP和B3LYP,两种纯DFT方法(BP86和BLYP),以DZP++为基函数对ClOO,ClOOO和ClO3及其负离子的平衡构型进行了量子化学计算,研究了它们的几何构型、相对能量、三种电子亲和势(绝热电子亲和势Ead=E(optimizedneutral)-E(optimizedanion),垂直电子亲和势Evert=E(optimizedneutral)-E(anionatneutralequilibriumgeometry)和垂直电子解离能Evd=E(neutralatanionequilibrium)-E(optiminzedanion))和红外振动频率.
简介:用基于热力学观点的定量预测三元合金形成非晶成分范围的方法,对Cu-Zr-Ti三元合金系形成非晶的成分范围进行了计算。该方法通过比较晶态固溶体的自由能和相应的非晶态的自由能来确定非晶形成的成份范围,在自由能的计算中,三元系的热力学数据用相应的3个二元系的热力学数据由Toop模型外推得到,二元合金系的形成焓则通过Miedema理论的计算得出。结果表明,理论预测的形成非晶的成分范围与已有的实验结果符合得比较好。
简介:开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.