根据单轴受力特性曲线唯象地考察岩石材料损伤演化,定义弹性应变表示的一维损伤变量及其本构模型,利用双剪强度理论将其推广至三维模型.塑性是潜在破坏面的摩擦滑移,在传统塑性理论的框架中,建立了基于摩尔-库仑强度理论与潜在滑移面摩擦软-硬化特性的各向异性损伤弹塑性本构关系.结果表明,计算的损伤演化与CT观测结果符合很好,用本文的弹塑性模型反映损伤材料的力学特性是可行的

在物流中心选址的动态双钻石模型的基础上,运用系统动力学的因果与相互关系分析并构建了物流中心选址的系统动力学流图,设计了动态模型方程式及状态变量方程．

本文考察了解释在离子熔体中引入过量阳离子和阴离子的各种不同模型,并提出了一个描述熔体中当成分逐渐从纯金属状态变化到完全电离状态时,热力学性质变化的新模型。该模型以描述混合物位形熵的Temkin表达式为基础,中性物质和假想的带有诱发电荷的空位被引进了阴离子亚晶格中。诱发电荷的大小等于占据着阳离子亚晶格的物质的平均价。当电离趋势弱时,新模型近似于替位模型,如果缔合体的概念是它们含有一个原子的电负性元素的话,那么新模型形式上和缔合溶液模型相同。对于多元体系,新模型比缔合溶液模型含有较少的成分变量和参数。本文的大部分内容曾在1984年8月20～24日在丹麦召开的欧洲熔盐化学会议上宣读

随机解变量 澤后变量 虚拟变量 时间变量 随机解释变量 估计量的渐进特征 随机解释变量模型最小二乘估计量的统计特征 工具变量法 工具变量法估计量的统计性质 工具变量估计法的例题 课题和数据 工具变 EViews量法的估计 滞后变量 外生变量分布滞后模型 有限分布滞后模型的估计 内生变量分布滞后模型 虚拟变量 为什么引入虚拟变量 测量截距变动 测量斜季变动 分段线性回归 时间变量 最简单的 EViews编程示例

10.1 虚拟变量的性质 10.2 ANCOVA模型：包含一个定量变量，一个两分定性变量的回归 10.3 包含一个定量变量、一个多分定性变量的回归 10.4 包含一个定量变量和多个定性变量的回归 10.5 比较两个回归 10.6 虚拟变量在季节分析中的应用 10.7 因变量也是虚拟变量的情形：(略) 10.8 总结

9.1虚拟变量的性质 一、回归分析中,被解释变量不仅常受一些比率尺度变量(如收入、产量、价格、成本、高度和温度)的影响,而且还受定性性质变量(也被称为名义尺度变量,如性别、种族、肤色、宗教、国籍、战争)的影响。 二、为了在模型中能够反映这些定性性质变量的影响,并提高模型的精度,需要将它们量化

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的 个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数( discriminant function)o然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量( grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因”变量,有时可能倒是真正的“结 果”或“反应”变量。它们与类型变量的关系从本质上并没有越过相关的范畴。 不过,既然我们要参照其值来进行分组,权且称之为自变量

基于建立的连铸中间包及结晶器内钢液混合过程的物理模型，开发了板坯连铸异钢种连浇过程混浇坯长度及成分变化模型。以某钢厂单流板坯连铸机220 mm×1560 mm断面Q235与Q335Ti钢的混浇过程为研究对象，采用水模型试验结合数值模拟确定模型的关键参数，并通过开展现场试验对混浇坯取样验证模型的准确性。结果证明：混浇坯成分取样与模型预测的成分偏差小于5%，且模型预测的混浇坯长度与人工确定的一致。故采用该模型可跟踪不同混浇工况下中间包内及铸流上钢液的混合行为，准确预测混浇坯的长度以及成分变化规律。采用该模型研究了拉速及中间包内剩余钢液质量对混交坯长度及不同浇注长度铸坯C元素质量分数变化的影响规律。发现当拉速保持不变时，中间包内剩余钢液越多，混浇坯越长；当中间包内剩余钢液质量保持不变时，拉速越大混浇坯越短。相比而言，中间包内剩余钢液质量比拉速对混浇坯长度的影响更大。另外当拉速不变时，随着中间包内剩余钢液质量的增加，C元素质量分数由0.16%变化到0.18%的速率减慢；当中间包内剩余钢液质量不变时，随着拉速的增加，C元素质量分数由0.16%变化到0.18%的速率增加。因此异钢种连浇过程，适当提高拉速以及减少中间包内剩余钢液质量，可有效减少混浇坯长度，成分变化速率降低

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量

一、虚拟变量的基本含义 二、虚拟变量的引入 三、虚拟变量的设置原则