精华内容
下载资源
问答
  • 参数化案例 建模思路参考附件: 5401000, CATPart 在建过程中应尽精超免使用以下操作@经观窗塑 因其不利于参数化控制 首先,此模板根据车身零件3D数据的结构特征,将历史树分成如下组成部分: 1.零件名称( PART NUMBER) ...
  • 针对刮板输送机结构设计重复率高、效率低的问题,基于Pro/E 5.0三维建模软件实现了刮板输送机关键部件及复杂装配体的参数化建模。刮板输送机关键部件的参数化建模主要包括三维模型创建、设计参数确定、关系设定等3个...
  • 空间钢结构APDL参数化计算与分析 陈志华 刘洪波 电子书与源代码
  • 减速机箱体具有复杂的结构和形式,为了提高产品设计的通用性,提高产品设计的效率,增加企业的经济效益,介绍了基于Catia的减速机箱体结构参数化设计的原理和步骤,提高了减速机设计的效率,增强了减速机箱体设计的灵活性...
  • 基于局部特征库的空间杆系结构参数化建模方法,李焕洋,阎春平,空间杆系结构结构形式复杂,杆件截面的类型与尺寸多样,材料选择空间大,杆件与节点载荷各异,在整体结构上提炼参数化建模方法
  • 肿瘤参数属性偏序结构可视实现乳腺癌诊断
  • 植被光学遥感模型与植被结构参数化,植被冠层光谱反演
  • 项目效果图(图片引自:互联网)Dynamo参数化建模利用Dynamo进行可视化编程,编制异型钢结构参数化生成程序,如下图所示。(可视化编程)结构中的各参数均可由参数控制,方便调整与修改。(参数控制1)(参数控制2)(参数...

    项目效果图

    7eec382841f9430a3e793864f345cf5a.png

    (图片引自:互联网)

    Dynamo参数化建模

    利用Dynamo进行可视化编程,编制异型钢结构参数化生成程序,如下图所示。

    6ce5645a0c3141980edf335af6d4f2df.png

    (可视化编程)

    结构中的各参数均可由参数控制,方便调整与修改。

    91ecb5436291167de51dad485f906b9c.gif

    (参数控制1)

    e8d7baaf5cd84f856d760849d4edf783.gif

    (参数控制2)

    4be01e856445c20e1fb4cee98ef0b5e7.gif

    (参数控制3)

    SAP2000结构计算

    利用编制好的电池实现Dynamo与SAP2000的联动(点击查看),将Dynamo模型同步于SAP2000中。

    9c702b8936201d7e29c0d2a60990daed.png

    (SAP2000计算模型)

    191d1117bd5debd2c02c69ccfbd0c999.gif

    812bc087b6040448435ce422e49ba42a.gif

    (试算结果)

    相关链接

    • 【参数化】Dynamo玛丽莲梦露大厦建模

    • 【参数化】Luum寺巢参数化建模
    • 【参数化】Dynamo三分钟完成鸟巢参数化建模[附教程]
    • 【参数化】Dynamo小蛮腰广州塔斜交网格参数化建模
    • 【参数化】Dynamo滨海新区高铁站类似物参数化建模
    • 【参数化】Dynamo上海世博轴类似物参数化建模
    • 【参数化】某体育场看台钢结构参数化设计与分析
    • 【参数化】任意曲面四角锥网架参数化布置
    • 【参数化】Dynamo凤凰国际传媒中心参数化建模
    • 文工结构 | Dynamo+SAP2000瞭望塔参数化建模与计算

    本公众号平台致力于展示、交流结构设计与BIM技术相关的研究成果,内容包括但不限于各类结构设计、参数化设计、有限元分析、CFD模拟、基于Dynamo程序开发、FDS火灾模拟、人员疏散模拟等,欢迎相关领域同行多多交流最新热点技术,共同进步。

    扫码关注

    555380807aeb2ba97ccaad1292533e09.png

    展开全文
  • 项目效果图(图片引自:互联网)Dynamo参数化建模利用Dynamo进行可视化编程,编制异型钢结构参数化生成程序,如下图所示。(可视化编程)结构中的各参数均可由参数控制,方便调整与修改。(参数控制1)(参数控制2)(参数...

    项目效果图

    fd461b3553bf90b5307d56025244eb13.png

    (图片引自:互联网)

    Dynamo参数化建模

    利用Dynamo进行可视化编程,编制异型钢结构参数化生成程序,如下图所示。

    010787a597205777f408762a7827814e.png

    (可视化编程)

    结构中的各参数均可由参数控制,方便调整与修改。

    256b3642a33a7ca2c73b6d0b5cbe4d5a.gif

    (参数控制1)

    34f0cd5f9261f53f5ad73051f2a80e91.gif

    (参数控制2)

    9e783322ffd7c291b7feb1047ca3e86d.gif

    (参数控制3)

    SAP2000结构计算

    利用编制好的电池实现Dynamo与SAP2000的联动(点击查看),将Dynamo模型同步于SAP2000中。

    2ee722b63b84656c7274df66b34c1268.png

    (SAP2000计算模型)

    17b5cb76d8d0580ddc44ffcfb901dca1.gif

    392cc26e6c7dc876c8dabaf7a673c842.gif

    (试算结果)

    相关链接

    • 【参数化】Dynamo玛丽莲梦露大厦建模

    • 【参数化】Luum寺巢参数化建模
    • 【参数化】Dynamo三分钟完成鸟巢参数化建模[附教程]
    • 【参数化】Dynamo小蛮腰广州塔斜交网格参数化建模
    • 【参数化】Dynamo滨海新区高铁站类似物参数化建模
    • 【参数化】Dynamo上海世博轴类似物参数化建模
    • 【参数化】某体育场看台钢结构参数化设计与分析
    • 【参数化】任意曲面四角锥网架参数化布置
    • 【参数化】Dynamo凤凰国际传媒中心参数化建模
    • 文工结构 | Dynamo+SAP2000瞭望塔参数化建模与计算

    本公众号平台致力于展示、交流结构设计与BIM技术相关的研究成果,内容包括但不限于各类结构设计、参数化设计、有限元分析、CFD模拟、基于Dynamo程序开发、FDS火灾模拟、人员疏散模拟等,欢迎相关领域同行多多交流最新热点技术,共同进步。

    扫码关注

    a5f2f4bbf9dbadae7cc1cf03fa2a44c8.png

    展开全文
  • 连杆机构的结构运动学特征及参数化,连杆运动,参数化
  • 飞机耳片结构参数化建模与有限元分析,蒲志新,李晓春,针对飞机耳片含孔结构件,本文给出了三种疲劳寿命预测方法:名义应力法、局部应力应变法及断裂力学方法,每一种方法均需要获得结
  • 同时校准结构化光传感器的内部和外部参数
  • 李小文著,植被光学遥感模型与植被结构参数化,1995年版 ,科学出版社
  • 2001年02月23日 10:24:00 使用 COM+ 参数化对象结构编程技术关键词:Delphi控件杂项使用 COM+ 参数化对象结构编程技术一、引言 COM+ 服務技術的一個核心理念就是系統本身提供完成許多面向企業應用開發者的通用基本...
    		2001年02月23日 10:24:00	

    使用 COM+ 参数化对象结构编程技术

    关键词:Delphi控件杂项

    使用 COM+ 参数化对象结构编程技术
    一、引言
    COM+ 服務技術的一個核心理念就是系統本身提供完成許多面向企業應用開發者的通用基本模組(如線程

    、物件資源池管理、事務服務管理、事件服務管理等),讓系統設計人員把精力集中在企業應用本身的業務

    邏輯上。
    COM+提供了許多新的服務和一致的管理運行環境,它還支援申明性編程模型(declarative programming

    model),也就是說,開發人員可以按盡可能通用的方式開發元件程式,把一些細節留到配置時刻再確定。例

    如,在開發一個COM+元件,它支援事務處理特性,但是我們在開發元件的時候,並不確定它是否使用事務處

    理特性,而把是否支援事務處理特性留待配置時刻再作決定。有的應用可能會需要事務處理特性,而有的應

    用可能並不需要,我們可以通過COM+管理程式配置元件的屬性來決定元件是否支援事務處理特性。MTS安全模

    型實際上是一個典型的申明性編程技術,它把元件的安全角色資訊留到配置時刻再給出確切的定義,而非編

    程時刻。COM+繼承了MTS的安全模型。
    利用COM+的服務和管理工具,開發一個COM+元件要比開發一個COM元件容易得多,因爲COM+元件實際上是

    建立在COM+系統服務基礎上的應用程式,我們可以避免底層繁瑣的細節處理,如多線程的並發處理。通過

    COM+系統服務,在獲得可靠性的同時,也使的元件和應用程式更趨於標準化,在更廣泛的範圍內體現元件或

    者應用的多態性。
    COM+ 的推出终于有机的统一了 COM/DCOM/MTS 的编程模式,使得我们不需要区分我们编写的是什么类型

    的COM 对象,所编写的对象既是 COM 对象也是 COM+对象;在 COM+ 中物件環境和截取(intercept) 技術都

    被合併到標準的 COM代理/存根中,所以可以通過標準得 CoCreateInstance 方法來創建物件,並且通過

    CreateInstance方法創建的MTS 元件同樣可以在COM+ 正常運行和完全相容。

    二、参数化 COM+ 对象结构
    在COM+ 中引入了许多新的服务何功能,参数化对象结构就是其中一项功能。本功能是用来实现为COM+对

    象创建提供一个字串参数,组件对象通过IObjectConstruct接口来查询管理员配置的字串参数。参数化对象

    结构的一个典型用途就是可以应用到程序中作为 ADO 的连接字串参数。
    IObjectConstruct 让的方法或对象通过参数来控制相关对象处理功能,我们必须使用接口对象来实现此

    接口,当管理员将组件对象的对象结构配置参数设置有效后,COM+ 将调用 IObjectConstruct.Construct 通

    过IObjectConstructString来获取参数化 COM+ 对象结构中的字串参数。
    IObjectConstructString 接口用来存取建立者字符串。本对象是一个Automation COM 对象,但无须通

    过接口对象来实现他,COM+ 支持在调用 IObjectConstruct.Construct 时暴露此对象。
    如何为元件输入对象结构字串。
    1、在组件管理器中选取相应的组件,右键弹出快捷菜单,然后点击属性
    2、在组件属性对话框,点击激活属性页。
    3、使能对象结构,输入建立者字符串(例如一个 ADO 连接字串)。

    三、程序实现

    实现COMPlusServer

    1、Import Type library- 2、建立一个新的 ActiveX Library Project
    3、创建一个新的 MTS Data Module
    4、到 Type Library 中选取 Project-
    Services Type Library
    5、选择 COM 的接口对象- 6、在接口中定义一个新的的方法-< GetConString
    7、到组件对象实现单元中实现以下代码:
    private
    { Private declarations }
    objSonStr: IObjectConstructString;
    StrDemo: WideString;

    function TXXXServer.Construct(const pCtorObj: IDispatch): HResult;
    begin
    pCtorObj.QueryInterface(IID_IObjectConstructString, objSonStr);
    StrDemo := objSonStr.Get_ConstructString;
    end;

    procedure TXXXServer.GetConString;
    begin
    if trim(StrDemo) = '' then
    ShowMessage('没有字串')
    else
    ShowMessage(StrDemo);
    end;

    客户端程序
    客户端程序是最一般化的 Delphi 代码:
    procedure TForm1.Button1Click(Sender: TObject);
    begin
    DCOMConnection1.AppServer.GetConString;
    end;



    Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=3376


    展开全文
  • 学习TensorFlow,TensorBoard可视网络结构参数

    万次阅读 多人点赞 2016-07-06 22:29:15
    针对这个问题,TensorFlow开发了一个特别有用的可视工具包:TensorBoard,既可以显示网络结构,又可以显示训练过程中各层参数的变化情况。本博文分为四个部分,第一部分介绍相关函数,第二部分是代码测试,第三...

    在学习深度网络框架的过程中,我们发现一个问题,就是如何输出各层网络参数,用于更好地理解,调试和优化网络?针对这个问题,TensorFlow开发了一个特别有用的可视化工具包:TensorBoard,既可以显示网络结构,又可以显示训练和测试过程中各层参数的变化情况。本博文分为四个部分,第一部分介绍相关函数,第二部分是代码测试,第三部分是运行结果,第四部分介绍相关参考资料。


    一. 相关函数

    TensorBoard的输入是tensorflow保存summary data的日志文件。日志文件名的形式如:events.out.tfevents.1467809796.lei-All-Series 或 events.out.tfevents.1467809800.lei-All-Series。TensorBoard可读的summary data有scalar,images,audio,histogram和graph。那么怎么把这些summary data保存在日志文件中呢?


    数值如学习率,损失函数用scalar_summary函数。tf.scalar_summary(节点名称,获取的数据)

    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.scalar_summary('accuracy', accuracy)

    各层网络权重,偏置的分布,用histogram_summary函数

    preactivate = tf.matmul(input_tensor, weights) + biases
    tf.histogram_summary(layer_name + '/pre_activations', preactivate)

    其他几种summary data也是同样的方式获取,只是对应的获取函数名称换一下。这些获取summary data函数节点和graph是独立的,调用的时候也需要运行session。当需要获取的数据较多的时候,我们一个一个去保存获取到的数据,以及一个一个去运行会显得比较麻烦。tensorflow提供了一个简单的方法,就是合并所有的summary data的获取函数,保存和运行只对一个对象进行操作。比如,写入默认路径中,比如/tmp/mnist_logs (by default)

    merged = tf.merge_all_summaries()
    train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train', sess.graph)
    test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test')

    SummaryWriter从tensorflow获取summary data,然后保存到指定路径的日志文件中。以上是在建立graph的过程中,接下来执行,每隔一定step,写入网络参数到默认路径中,形成最开始的文件:events.out.tfevents.1467809796.lei-All-Series 或 events.out.tfevents.1467809800.lei-All-Series。

    for i in range(FLAGS.max_steps):
    if i % 10 == 0:  # Record summaries and test-set accuracy
    summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
          test_writer.add_summary(summary, i)
          print('Accuracy at step %s: %s' % (i, acc))
        else: # Record train set summarieis, and train
          summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
          train_writer.add_summary(summary, i)

    二. 代码测试

    # Copyright 2015 Google Inc. All Rights Reserved.
    #
    # Licensed under the Apache License, Version 2.0 (the 'License');
    # you may not use this file except in compliance with the License.
    # You may obtain a copy of the License at
    #
    #     http://www.apache.org/licenses/LICENSE-2.0
    #
    # Unless required by applicable law or agreed to in writing, software
    # distributed under the License is distributed on an 'AS IS' BASIS,
    # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
    # See the License for the specific language governing permissions and
    # limitations under the License.
    # ==============================================================================
    
    """A simple MNIST classifier which displays summaries in TensorBoard.
    
     This is an unimpressive MNIST model, but it is a good example of using
    tf.name_scope to make a graph legible in the TensorBoard graph explorer, and of
    naming summary tags so that they are grouped meaningfully in TensorBoard.
    
    It demonstrates the functionality of every TensorBoard dashboard.
    """
    from __future__ import absolute_import
    from __future__ import division
    from __future__ import print_function
    
    import tensorflow as tf
    
    from tensorflow.examples.tutorials.mnist import input_data
    
    
    flags = tf.app.flags
    FLAGS = flags.FLAGS
    flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '
                         'for unit testing.')
    flags.DEFINE_integer('max_steps', 1000, 'Number of steps to run trainer.')
    flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.')
    flags.DEFINE_float('dropout', 0.9, 'Keep probability for training dropout.')
    flags.DEFINE_string('data_dir', '/tmp/data', 'Directory for storing data')
    flags.DEFINE_string('summaries_dir', '/tmp/mnist_logs', 'Summaries directory')
    
    
    def train():
      # Import data
      mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True,
                                        fake_data=FLAGS.fake_data)
    
      sess = tf.InteractiveSession()
    
      # Create a multilayer model.
    
      # Input placehoolders
      with tf.name_scope('input'):
        x = tf.placeholder(tf.float32, [None, 784], name='x-input')
        image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
        tf.image_summary('input', image_shaped_input, 10)
        y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')
        keep_prob = tf.placeholder(tf.float32)
        tf.scalar_summary('dropout_keep_probability', keep_prob)
    
      # We can't initialize these variables to 0 - the network will get stuck.
      def weight_variable(shape):
        """Create a weight variable with appropriate initialization."""
        initial = tf.truncated_normal(shape, stddev=0.1)
        return tf.Variable(initial)
    
      def bias_variable(shape):
        """Create a bias variable with appropriate initialization."""
        initial = tf.constant(0.1, shape=shape)
        return tf.Variable(initial)
    
      def variable_summaries(var, name):
        """Attach a lot of summaries to a Tensor."""
        with tf.name_scope('summaries'):
          mean = tf.reduce_mean(var)
          tf.scalar_summary('mean/' + name, mean)
          with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean)))
          tf.scalar_summary('sttdev/' + name, stddev)
          tf.scalar_summary('max/' + name, tf.reduce_max(var))
          tf.scalar_summary('min/' + name, tf.reduce_min(var))
          tf.histogram_summary(name, var)
    
      def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
        """Reusable code for making a simple neural net layer.
    
        It does a matrix multiply, bias add, and then uses relu to nonlinearize.
        It also sets up name scoping so that the resultant graph is easy to read, and
        adds a number of summary ops.
        """
        # Adding a name scope ensures logical grouping of the layers in the graph.
        with tf.name_scope(layer_name):
          # This Variable will hold the state of the weights for the layer
          with tf.name_scope('weights'):
            weights = weight_variable([input_dim, output_dim])
            variable_summaries(weights, layer_name + '/weights')
          with tf.name_scope('biases'):
            biases = bias_variable([output_dim])
            variable_summaries(biases, layer_name + '/biases')
          with tf.name_scope('Wx_plus_b'):
            preactivate = tf.matmul(input_tensor, weights) + biases
            tf.histogram_summary(layer_name + '/pre_activations', preactivate)
          activations = act(preactivate, 'activation')
          tf.histogram_summary(layer_name + '/activations', activations)
          return activations
    
      hidden1 = nn_layer(x, 784, 500, 'layer1')
      dropped = tf.nn.dropout(hidden1, keep_prob)
      y = nn_layer(dropped, 500, 10, 'layer2', act=tf.nn.softmax)
    
    
      with tf.name_scope('cross_entropy'):
        diff = y_ * tf.log(y)
        with tf.name_scope('total'):
          cross_entropy = -tf.reduce_mean(diff)
        tf.scalar_summary('cross entropy', cross_entropy)
    
      with tf.name_scope('train'):
        train_step = tf.train.AdamOptimizer(
            FLAGS.learning_rate).minimize(cross_entropy)
    
      with tf.name_scope('accuracy'):
        with tf.name_scope('correct_prediction'):
          correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        with tf.name_scope('accuracy'):
          accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
        tf.scalar_summary('accuracy', accuracy)
    
      # Merge all the summaries and write them out to /tmp/mnist_logs (by default)
      merged = tf.merge_all_summaries()
      train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train', sess.graph)
      test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test')
      tf.initialize_all_variables().run()
    
      # Train the model, and also write summaries.
      # Every 10th step, measure test-set accuracy, and write test summaries
      # All other steps, run train_step on training data, & add training summaries
    
      def feed_dict(train):
        """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
        if train or FLAGS.fake_data:
          xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)
          k = FLAGS.dropout
        else:
          xs, ys = mnist.test.images, mnist.test.labels
          k = 1.0
        return {x: xs, y_: ys, keep_prob: k}
    
      for i in range(FLAGS.max_steps):
        if i % 10 == 0:  # Record summaries and test-set accuracy
          summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
          test_writer.add_summary(summary, i)
          print('Accuracy at step %s: %s' % (i, acc))
        else: # Record train set summarieis, and train
          summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
          train_writer.add_summary(summary, i)
    
    def main(_):
      if tf.gfile.Exists(FLAGS.summaries_dir):
        tf.gfile.DeleteRecursively(FLAGS.summaries_dir)
      tf.gfile.MakeDirs(FLAGS.summaries_dir)
      train()
    
    if __name__ == '__main__':
      tf.app.run()
    


    三. 运行结果

    代码运行


    生成文件



    调用TensorBoard可视化运行结果

    tensorboard --logdir=/tmp/mnist_logs/train/
    


    打开链接 http://0.0.0.0:6006



    EVENTS是训练参数统计显示,可以看到整个训练过程中,各个参数的变换情况



    IMAGES输入和输出标签,省略


    GRAPH网络结构显示


    双击进去,可以显示更多的细节,包括右边的列表显示


    HISTOGRAM训练过程参数分布情况显示



    四. 参考资料

    如果你想了解更多信息,可以参考一下资料:

    https://www.tensorflow.org/versions/r0.9/how_tos/summaries_and_tensorboard/index.html

    https://github.com/tensorflow/tensorflow/blob/r0.9/tensorflow/tensorboard/README.md

    https://github.com/tensorflow/tensorflow/blob/r0.9/tensorflow/examples/tutorials/mnist/mnist_with_summaries.py

    https://www.tensorflow.org/versions/r0.9/how_tos/graph_viz/index.html

    展开全文
  • 桥梁结构的ANSYS参数化分析

    千次阅读 2015-07-24 15:52:05
    桥梁是现代建筑中最重要的结构形式之一,它对一个区域的政治、经济、文化有着重要的影响,现代桥梁正向着长距离、大跨度方向发展;目前的大跨度桥梁主要有斜拉桥以及悬索桥两种形式;例如,法国于1995年建成的...
  • 使用 COM+ 参数化对象结构编程技术 (转)[@more@]使用 COM+ 参数化对象结构编程技术 关键词:Delphi控件杂项 使用 COM+ 参数化对象结构编程技术一、引言COM+ 服務技術的一個核心理念就是系統本身...
  • 采用有限元方法,利用ANSYS软件对基于经验设计的电除尘器壳体进行应力和位移...进行轻量结构参数分析表明,改进结构参数,可以在满足结构刚度、强度要求的条件下,使电除尘器壳体重量减轻31.74 t,轻量幅度达到8.87%。
  • 结构的初始 结构的初始与数组的初始类似,一个位于一对花括号内部、由逗号分隔的初始值列表可用于结构各个成员的初始。这些值根据结果成员列表写出。如果初始列表的值不够,剩余的结构成员将使用缺省的值...
  • 几何及有限元参数化建模方法相结合,在通用CAE软件的二次开发编程环境中实现对带接触的结构装配体进 行结构尺寸和形状优化设计。文中利用该方法对某浮动式闭气结构的重要结构参数和关键构件形状实施了优化 设计,使其...
  • 美食该如何制作?食品安全以什么为标准?用什么来检测食品成分?这么一份丙三醇浓溶液玻璃...该文档为丙三醇浓溶液玻璃转变与结构松弛参数DSC分析,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看看
  • 1.pytorch自定义网络结构不进行参数初始会怎样,参数值是随机的吗? 2.如何自定义参数初始? 先回答第一个问题 在pytorch中,有自己默认初始化参数方式,所以在你定义好网络结构以后,不进行参数初始也是...
  • 最近为SAP的接口开发调测伤透,项目进度...扁平结构参数 (SAP术语,个人认为可以理解为在java数据交互中常用的view对象,按照一定表结构初始的伪表对象,为方便数据组装和流转) 接口名: ZINDEX_LLD_CREATE   ...
  • 以VB的良好用户界面为参数化设计的平台,结合ANSYS的APDL语言编写矿井提升机主轴的建模、分网、加载和后处理宏文件,将矿井提升机主轴结构参数以及主轴所受的各项应力参数设为变量,从输入主轴尺寸参数到输出分析结果,...
  • 基于广义可变参数HMM和说话人自适应的结构化建模
  • 以MH1618单梁门式起重机的主梁为研究对象,对主梁进行了参数化建模,然后对建立的模型利用ANSYS软件进行有限元分析,即网格划分和加载分析,可以得到主梁的应力分布云图和变形情况图,并在此基础上考虑了2种优化方案,并对...
  • 线性相位完美重构滤波器组晶格结构中自由参数的初始方法

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 15,815
精华内容 6,326
关键字:

参数化结构