“陈良捷”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]装配式渡槽湿接缝钢筋锚固结构-CN202210530301.X有效
发明人：高江林;孙军红;张松;刘达;陈芳;戴国强;陈良捷;林太清 -专利权人：江西省水利科学院
申请日： 2022-05-16 - 公布日： 2023-10-20 - 主分类号： E01D18/00 文献下载
摘要：本发明提供了一种装配式渡槽湿接缝钢筋锚固结构，属于渡槽施工技术领域，包括渡槽段体、底板锚固结构以及侧板锚固结构；渡槽段体包括侧板和底板，底板上间隔设有多个第一钢筋组；侧板上间隔设有多个第二钢筋组；底板锚固结构包括第一固定件；第一钢筋组贯穿第一固定件并在第一固定件的两侧设有第一限位部；侧板锚固结构包括第二固定件；第二钢筋组贯穿第二固定件并在第二固定件的两侧设有第二限位部。本发明提供的装配式渡槽湿接缝钢筋锚固结构，减少了现场的施工量，提高了施工速度；防止第一固定件和第二固定件晃动或者滑脱，保证了荷载能够相互传递，提高了结构的整体性；减小湿接缝段钢筋的锚固长度，达到减小湿接缝段长度的目的。
装配式渡槽接缝钢筋锚固结构

[发明专利]一种基于机器学习引导深度学习的目标检测方法-CN202310473636.7有效
发明人：狄丹阳;高江林;刘达;白渝;孙斌;孙军红;徐利剑;王全;李萌;王锦辉;陈良捷;陈芳 -专利权人：江西省水利科学院（江西省大坝安全管理中心、江西省水资源管理中心）
申请日： 2023-04-28 - 公布日： 2023-07-18 - 主分类号： G06V20/50 文献下载
摘要：发明公开了一种基于机器学习引导深度学习的目标检测方法，包括以下步骤：对输入的“气‑液”交界面图像数据集进行数据增强处理；在主干网络中的瓶颈层引入初始模块；在初始模块中采用分组卷积；在主干网络中的瓶颈层引入全局注意力机制；采用选择性舍弃神经元进行隐藏部分特征节点操作；进行随机纠正线性单元激活函数激活处理；对随机纠正线性单元激活函数的输出结果进行金字塔感兴趣池化层处理。本发明的有益效果是：将机器学习和深度学习的优势互补，优化基于区域推荐网络的实时目标检测方法的网络结构，提升排水管道“气‑液”交界面目标检测的平均精度。
一种基于机器学习引导深度目标检测方法

[实用新型]一种粘性土水平渗透系数检测装置-CN202222067197.3有效
发明人：李焱;李伟;胡松涛;邹晨阳;汤红英;李萌;陈良捷;王锦辉 -专利权人：江西省水利科学院
申请日： 2022-08-08 - 公布日： 2022-11-22 - 主分类号： G01N15/08 文献下载
摘要：本实用新型公开了一种粘性土水平渗透系数检测装置，包括箱体，箱体两侧分别平行设置有深度一致的测试孔和测试坑，测试孔底部开设有流向测试坑的渗流通道，渗流通道内设置有用于容纳测试土的隔离腔，隔离腔的进水端和出水端均采用多孔隔板分隔。本实用新型在使用时，通过隔离腔内放置测试土，并保证测试土与隔离腔之间的间隙不会出现渗流。在测试孔注水，形成水头差，观察测试土，待水渗入测试土体达到饱和状态后，在测试孔滴入酚酞试剂，并记录此时时间；在测试坑底加入碱液，当观察到测试坑内的碱液变红后记录此时时间，根据渗流时间和测试坑与测试孔之间的渗流长度计算水平渗透系数。
一种粘性水平渗透系数检测装置

[实用新型]一种易固定可调向的变形监测装置-CN202221419363.5有效
发明人：林太清;胡松涛;戴国强;陈良捷 -专利权人：江西省水利科学院
申请日： 2022-06-07 - 公布日： 2022-09-13 - 主分类号： G01B11/16 文献下载
摘要：本发明涉及一种工程监测装置，尤其涉及一种易固定可调向的变形监测装置，所述监测装置包括支架、安装板、水准标芯、第一固定件和第二固定件及反光部，所述安装板通过所述第二固定件安装在所述支架之间，所述第一固定件设置在所述支架一侧，所述支架通过所述第一固定件安装在监测点处，所述水准标芯设置在所述支架顶端，所述安装板一侧设置有所述反光部，所述水准标芯、所述反光部的中心与监测点位于同一竖直直线上，本监测装置是沉降监测和水平位移监测共用监测装置，水平位移监测用全站仪反光片或棱镜可进行两个方向的调节以满足测量照准所需要的角度要求，且具有结构简单、加工简便、安装容易稳固、成本低廉且可多次使用等优点。
一种固定可调变形监测装置

[发明专利]一种精准预测混凝土坝变形效应的组合模型的构建方法-CN201911368356.X有效
发明人：魏博文;陈良捷;罗绍杨;李火坤 -专利权人：南昌大学
申请日： 2019-12-26 - 公布日： 2022-07-12 - 主分类号： G06F17/18 文献下载
摘要：本发明公开了一种精准预测混凝土坝变形效应的组合模型的构建方法，具体是一种基于差分整合移动平均自回归模型(ARIMA)和粒子群优化的支持向量机模型(PSO‑SVR)的混凝土坝多尺度变形组合预报模型。利用大坝变形观测历史数据，在建立逐步回归模型的基础上，采用精准预测混凝土坝变形的组合预报模型，基于SVR模型在非线性时间序列领域中优异的处理能力，结合粒子群算法的参数寻优特长，以解决现有预报模型存在的小样本、非线性、过拟合等问题，同时也为其他水工建筑物变形预报模型的构建提供了一种便捷高效的新方法。
一种精准预测混凝土变形效应组合模型构建方法