XiaoMi-AI文件搜索系统
World File Search SystemTSM
软粘土上的粘性回填
在亚洲理工学院 (AIT) 的拉拔试验实验室，使用红褐色风化曼谷粘土和粘土质砾石、红土残积土作为回填材料，对不同钢筋直径和孔径大小的焊接钢丝网钢筋进行了拉拔试验。使用风化粘土回填物进行了总共 87 次拉拔试验，回填物以 95% 标准普氏密度压实，并在 2 种不同的压实水分含量（最佳干侧和湿侧）下进行。测试的正常压力范围为 1 至 13 tsfri。加固垫由 1/4" 和 3/8" 直径的钢筋组成，焊接在一起形成 6" x 9"、6" x 12" 和 6" x 18" 的孔径。同样，使用 3 种不同含水量（干、最佳和湿）的红土残渣土进行了 47 次拔出试验，压实密度分别为 95% 和 100%。测试在 0.2 至 1.8 tsm 的较低压力下进行。使用的加固垫为 1/4" 和 1/2" 直径的钢筋，网格尺寸为 6"x6" 和 6"x9"。在所有进行的测试中，土壤-加固相互作用表明横向构件对总拔出阻力的被动阻力占主导地位。发现纵向构件的摩擦阻力占垫子总拔出阻力的 3% 至 5%。此外，由于钢筋的不可延展性，钢筋的屈服强度仅在 1 至 4 毫米位移的低应变下发生。研究还发现，直径较小的钢筋通过产生更高的拔出能力，可以有效增强被动抵抗的全面动员。在所有使用的网格尺寸中，6"x9" 网格几何形状似乎是最有效的。
几何深度学习增强脑电图中不平衡域适应
1 简介 脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信，为康复和通信提供了巨大的潜力 [1]。尽管基于脑电图 (EEG) 的 BCI 具有如此强大的功能，但目前仍存在信噪比低、特异性不足和域偏移（例如，数据分布的变化）等问题。传统上，通过收集标记校准数据和训练领域特定模型来缓解域偏移 [1]。然而，这种方法资源密集且耗时。作为一种替代方案，无监督域自适应 (UDA) 从标记源域中学习一个模型，该模型可有效执行不同的（但相关的）未标记目标域 [1]。在 BCI 领域，UDA 主要解决会话间和主体间的迁移学习 (TL) 问题 [2]，旨在无需监督校准即可实现跨域（即会话和主体）的稳健泛化。在我们之前的工作中，我们开发了一个几何深度学习框架，称为 TSMNet [3]，用于对对称正定 (SPD) 流形执行统计对齐。TSMNet 在配备有仿射不变黎曼度量的 SPD 流形上联合学习卷积特征提取器和切线空间映射 (TSM)，该度量由于其对潜在源的线性混合具有固有的不变性，非常适合 EEG 数据 [4]。许多 UDA 框架（包括 TSMNet）对齐边际特征分布，隐式假设跨域的标签分布相同。然而，在实践中经常遇到标签偏移，标签偏移下的边际特征对齐会增加泛化误差 [5]。最近的方法将这种对齐问题定义为不平衡的多源和多目标 UDA 问题 [6]。本文介绍了 TSMNet 的扩展，增强了其同时解决特征和标签偏移的能力。为了维护 TSMNet
公司介绍 - Data Riders
TSM 绩效指标评估。 1 原住民与社区关系 91 1.1 利益共同体 (COI) 的识别 11 1.2 与 COI 的有效接触和对话 24 1.3 与原住民的有效接触和对话 18 1.4 利益和社区影响管理 27 1.5 COI 响应机制 11 2 健康与安全 83 2.1 承诺和问责 15 2.2 规划与实施 19 2.3 培训、行为和文化 20 2.4 报告与监测 17 2.5 绩效 12 3 危机管理和沟通规划 39 3.1 危机管理和沟通敏捷性 24 3.2 修订 10 3.3 培训 5 4 防止童工和强迫劳动 5 4.1 防止强迫劳动 3 4.2 防止童工 2 5 能源使用和温室气体管理温室气体 (GHG) 排放 69 5.1 能源使用和温室气体 (GHG) 排放管理系统 29 5.2 能源使用和温室气体 (GHG) 排放报告系统 24 5.3 能源绩效和温室气体 (GHG) 排放目标 16 6 生物多样性管理和保护 38 6.1 企业对生物多样性保护、问责制和沟通的承诺 7 6.2 安装和实施中的生物多样性保护规划 26 6.3 生物多样性保护报告 5 7 尾矿管理 47 7.1 尾矿管理政策和承诺 12 7.2 尾矿管理和应急准备系统 12 7.3 尾矿管理的问责制和责任 10 7.4 尾矿管理年度审查 8 7.5 操作、维护和控制手册 5 8 水资源管理 56 8.1 水治理 15 8.2 运营水资源管理22 8.3 流域规模规划 11 8.4 水绩效与报告 8