Eventeum 以太坊事件监听器，将您的智能合约事件和后端微服务联系起来。 Eventeum侦听以太坊网络发出的特定事件，并将这些事件广播到您的中间件层。 这提供了不同的关注点分离，这意味着您的微服务不必直接将事件订阅到以太坊节点。 主 发展历程 产品特点 动态可配置-Eventeum公开了REST api，因此可以动态订阅/取消订阅智能合约事件。 高度可用-Eventeum实例彼此通信，以确保每个实例都订阅了相同的智能合约事件集合。 弹性-检测到节点故障，一旦节点重新联机，事件订阅将从故障块继续。 叉子容忍度-Eventeum可以配置为等待一定数量的块，然后再将事件视为“已确认

图 9.1 节理岩体模型概念图示 节理岩体模型是一个各向异性的理想弹塑性模型，特别适用于模拟层理和节 理岩石层的行为。在这个模型中，假设原状岩体具有一个可能地层理方向和主要 节理方向。这种岩体被认为具有横观各向同性的弹性材料行为，由五个参数和一 个方向来量化。各向异性可能来自于层理现象或者其他现象。在主要节理方向上， 根据库伦准则，假设剪应力是有限的。当在这个方向达到 大剪应力时，塑性滑 移就会发生。 多可定义三个滑移方向（‘平面’），其中第一个平面假定为和弹 性各向异性方向重合。每一个平面都有不同的抗剪强度性质。除了塑性剪切，根 据预定义的拉力强度（拉力‘截断’），垂直于三个平面的拉应力都是有限的。 当呈现出节理簇和节理集时，节理岩石模型就能被证明是合理的。这些节理 集必须平行，中间不能填有断层泥，相对于结构的特征尺度来说，它们的间距必 须较小。 节理岩体模型的一些基本特征是： * 原状岩体的各向异性弹性行为 参数： E1，E2，v1，v2 ，G2 * 三个方向上根据库伦准则的剪切破坏 参数： c i ，ϕ i， ψi * 三个方向上的有限拉伸强度 参数：σt, j 9.1 各向异性弹性材料的刚度矩阵 节理岩体模型中的弹性材料行为是由弹性材料的刚度矩阵 D* 来描述的。与 Hooke 定律不同，节理岩体模型中的矩阵 *D 是横观各向同性的。在垂直于或者 平行于一个预先定义的方向（‘平面 1’）上的刚度可能是不同的。这个方向可以 对应着层理方向或者任何其他有显著不同的弹性刚度性质的方向。 比如考虑水平层理的情况，水平方向的刚度 E1 就不同于竖直方向的刚度 85

为了验证粘弹性阻尼器对结构消能减震作用的效果,通过运用有限元分析软件MIDAS/GEN建立典型六层钢框架模型,对设置粘弹性阻尼器和未设置粘弹性阻尼器的两种结构分别进行地震作用下非线性时程对比分析。分析的结果从各种方面显示了粘弹性阻尼器对结构效能减震的优越性。

英文版经典弹性力学理 论

材料的力学性能直接影响到构件的安全性和寿命，而材料的弹性常数是其力学性能的重要指标。利用有限元软件Abaqus模拟了激光激发的超声表面波和纵波在金属薄板试样表面及体内的传播过程。采用修正的高斯分布的力源等效激光对样品的脉冲作用来产生超声波，在边界处设置无限单元消除反射回波的干扰信号，并由接收点的超声表面波和纵波信号计算得到波速大小，再根据波速和弹性常数之间的关系得到材料的弹性常数。数值结果与理论解吻合良好，为激光超声检测材料弹性常数提供了一种十分有效的数值方法。

OOMMF磁弹性扩展将磁弹性能量结合到使用OOMMF（面向对象的微磁框架）进行的微磁模拟中。 该扩展提供了其他Oxs可扩展类，您可以在其中指定弹性应变或位移以及磁弹性系数。 可以使用Tcl脚本或文件列表指定空间不均匀，随时间变化的应变，并在每个模拟步骤中计算有效的磁弹性场和能量。

利用CSS3技术可以实现各种各样的网页菜单，我们之前也在CSS3菜单栏目中分享了许多CSS3菜单。今天我们分享的这款是CSS3手风琴菜单，菜单项在展开和收缩的时候菜单项会有弹性动画效果。每一层父级菜单有一个小三角，菜单项在展开的时候这个小三角也会出现动画，非常酷。

maple：弹性力学——几何方程.mw

纯弹性碰撞。

logit 模型matlab代码求系数AcceleratedCVonMLR_matlab 具有弹性网络正则化的多项逻辑回归的近似交叉验证 这是免费软件，您可以根据 GNU 通用公共许可证第 3 版或更高版本的条款重新分发和/或修改它。 有关详细信息，请参阅 LICENSE.txt。 分发此程序是希望它有用，但不作任何保证； 甚至没有对适销性或针对特定目的的适用性的暗示保证。 描述 使用给定特征数据X 的估计权重向量wV和由弹性网络正则化（ L1范数和L2范数）惩罚的多项逻辑回归的类Ycode ，该程序计算并返回近似的留一法估计量（LOOE）及其标准预测似然误差。 所有必需的代码都在“例程”文件夹中。 请注意，该程序本身不包含任何求解器来获得wV 。 为此，请使用其他分布式程序。 用法 对于Np ( >2 ) 类的多项逻辑回归， [LOOE,ERR] = acv_mlr(wV,X,Ycode,Np,lambda2) 输入： wV : N * Np维的估计权重向量 X : M * N维的特征向量集 Ycode ：表示对应特征向量所属类别的M * Np维二进制矩阵 lambda2 ： L2范