利用Excel VBA程序计算既有线中平--《科技信息》2011年11期
利用Excel VBA程序计算既有线中平
【摘要】：铁路既有线抄平、计算和复核一直是一项比较繁琐并且具有重复性的工作,本文利用Excel VBA编制程序实现了程序自动计算所有股道轨顶标高和转点标高,最后自动生成可供设计人员利用的桩号标高表。简化了中平的内业计算复核的重复性以及提交成果资料的便捷性,提高了测量中平内业资料的准确性与内业资料整理效率。
【作者单位】：
【分类号】：TP391.13
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【共引文献】
中国期刊全文数据库
陈小荣;雷劲松;卢学松;罗文霞;;[J];四川建筑科学研究;2009年03期
王林;;[J];安徽建筑;2008年03期
张兴德;;[J];安徽建筑;2008年05期
张祖超;;[J];现代农业科技;2012年06期
闫伟;[J];鞍山科技大学学报;2004年06期
李家稳,陈峰,张海燕,施仲衡;[J];北方交通大学学报;2004年04期
刘衍峰;高亮;冯雅薇;;[J];北京交通大学学报;2006年01期
陈志军;[J];北京测绘;2000年02期
付培义,张小勤;[J];北京测绘;2000年02期
曲佳瑞;[J];北京测绘;2001年01期
中国重要会议论文全文数据库
魏瑞莲;;[A];河南地球科学通报2009年卷（下册）[C];2009年
徐庆;杨晨方;;[A];江苏省测绘学会2011年学术年会论文集[C];2011年
刘耀;王银;成浩;;[A];江苏省测绘学会2011年学术年会论文集[C];2011年
苏迎辉;;[A];发展重载运输技术适应经济社会建设——铁路重载运输货车暨工务学术研讨会论文集（工务部分）[C];2011年
潘国兵;;[A];第二届“测绘科学前沿技术论坛”论文精选[C];2010年
申浩;;[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
李学全;张修祥;薛建成;张永光;;[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
邹进贵;向东;;[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
刘伟;李福生;刘景民;;[A];2001年东北三省测绘学术与信息交流会论文集[C];2001年
王传江;姚文强;陈永军;康明;;[A];数字测绘与GIS技术应用研讨交流会论文集[C];2008年
中国博士学位论文全文数据库
胡萍;[D];中南大学;2010年
李斌;[D];西南交通大学;2011年
胡仲春;[D];武汉理工大学;2011年
许峰;[D];南京航空航天大学;2002年
徐志胜;[D];西南交通大学;2004年
肖宏;[D];西南交通大学;2007年
詹永祥;[D];西南交通大学;2007年
刘子侠;[D];吉林大学;2009年
龙许友;[D];北京交通大学;2008年
刘升传;[D];北京交通大学;2009年
中国硕士学位论文全文数据库
于磊;[D];山东科技大学;2010年
陈然;[D];昆明理工大学;2009年
李苍楠;[D];北京交通大学;2011年
温鹏飞;[D];北京交通大学;2011年
王成晓;[D];北京交通大学;2011年
陈涛;[D];南京信息工程大学;2011年
张琪;[D];中南大学;2011年
王肃报;[D];中南大学;2011年
黄剑飞;[D];长安大学;2011年
胡水玲;[D];长安大学;2011年
【相似文献】
中国期刊全文数据库
郝卫洪，贾景遂;[J];粮油食品科技;1996年03期
戴学瑜;;[J];工程设计与研究;1999年01期
,赵纯兴;[J];CAD/CAM与制造业信息化;2002年08期
;[J];国防科技大学学报;1977年02期
毛义明,张琻,刘北辰,熊藻;[J];计算机应用;1982年02期
王子仁;朱民主;;[J];军事通信技术;1982年03期
苏开根;毋国庆;;[J];武汉大学学报(理学版);1982年03期
林永江;;[J];现代雷达;1984年Z1期
川音;[J];计算机应用研究;1986年03期
肖万选;;[J];电子机械工程;1987年06期
中国重要会议论文全文数据库
应莺;李红燕;王建军;潘志勇;邱宝军;;[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年
鲁振德;赵维刚;汪楠;张平;;[A];1996中国控制与决策学术年会论文集[C];1996年
曹秀爽;李兵;;[A];2006全国复杂网络学术会议论文集[C];2006年
尚宗敏;崔立真;王海洋;;[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年
陈旭霞;孔慧;;[A];第十四届全国工程设计计算机应用学术会议论文集[C];2008年
李长春;;[A];全国暖通空调制冷1990年学术年会资料集（上）[C];1990年
孟繁昌;张希胜;林海波;;[A];农业机械化与全面建设小康社会——中国农业机械学会成立40周年庆典暨2003年学术年会论文集[C];2003年
康明;;[A];山东省石油学会油田电力、通信及自动化技术研讨会优秀工程技术论文集[C];2009年
李笃斌;朱新光;李敏;;[A];2009年全国玻璃窑炉技术研讨交流会论文汇编[C];2009年
冷岳峰;王慧;;[A];第五届中国CAE工程分析技术年会论文集[C];2009年
中国重要报纸全文数据库
孙春艳;[N];吉林日报;2007年
行者;[N];中国社会报;2005年
柳祖林;[N];中国冶金报;2006年
王冠雄;[N];中国计算机报;2008年
本报记者 张群英;[N];网络世界;2005年
李毅;[N];人民武警;2006年
王海辉;[N];东北电力报;2007年
马晓华;[N];第一财经日报;2007年
皋永利;[N];中国中医药报;2004年
唐萍 任松筠;[N];中国建材报;2009年
中国博士学位论文全文数据库
程学庆;[D];西南交通大学;2007年
施亮星;[D];天津大学;2008年
仇玉良;[D];长安大学;2005年
王有志;[D];天津大学;2004年
刘敏;[D];中国人民解放军军医进修学院;2008年
陈龙潭;[D];复旦大学;2004年
阴小林;[D];东北师范大学;2006年
薛朝改;[D];东南大学;2005年
姚晨;[D];电子科技大学;2011年
随阳轶;[D];吉林大学;2008年
中国硕士学位论文全文数据库
华都;[D];华中科技大学;2006年
方增强;[D];吉林大学;2009年
兰小飞;[D];湖南大学;2010年
廉伟东;[D];吉林大学;2007年
齐文浩;[D];中国地震局工程力学研究所;2004年
陈玉萍;[D];北京化工大学;2010年
王宁;[D];重庆大学;2012年
张利伟;[D];吉林大学;2009年
赵叶;[D];河北科技大学;2011年
李超;[D];哈尔滨工业大学;2011年
&快捷付款方式
&订购知网充值卡
400-819-9993张卫庭 郭丽霞
铁路既有线抄平、计算和复核一直是一项比较繁琐并且具有重复性的工作,本文利用Excel VBA编制程序实现了程序自动计算所有股道轨顶标高和转点标高,最后...
科技信息 & 2011年11期本文首先介绍了并行计算的基本概念，然后简要阐述了R和并行计算的关系。之后作者从R用户的使用角度讨论了隐式和显示两种并行计算模式，并给出了相应的案例。隐式并行计算模式不仅提供了简单清晰的使用方法，而且很好的隐藏了并行计算的实现细节。因此用户可以专注于问题本身。显示并行计算模式则更加灵活多样，用户可以按照自己的实际问题来选择数据分解，内存管理和计算任务分配的方式。最后，作者探讨了现阶段R并行化的挑战以及未来的发展。
R与并行计算
统计之都的小伙伴们对R，SAS，SPSS， MATLAB之类的统计软件的使用定是轻车熟路了，但是对并行计算（又名高性能计算，分布式计算）等概念可能多少会感到有点陌生。应太云兄之邀，在此给大家介绍一些关于并行计算的基本概念以及在R中的使用。
什么是并行计算？
并行计算，准确地说应该包括高性能计算机和并行软件两个方面。在很长一段时间里，中国的高性能计算机处于世界领先水平。在最近一期的世界TOP500超级计算机排名中，中国的神威太湖之光列居榜首。 但是高性能计算机的应用领域却比较有限，主要集中在军事，航天航空等国防军工以及科研领域。对于多数个人，中小型企业来说高性能计算机还是阳春白雪。不过，近年来随着个人PC机，廉价机群，以及各种加速卡(NVIDIA GPU, Intel Xeon Phi, FPGA)的快速发展，现在个人电脑已经完全可以和过去的高性能计算机相媲美了。相比于计算机硬件的迅速发展，并行软件的发展多少有些滞后，试想你现在使用的哪些软件是支持并行化运算的呢？&软件的并行化需要更多的研发支持，以及对大量串行算法和现有软件的并行化，这部分工作被称之为代码现代化（code modernization）。听起来相当高大上的工作，然而在实际中大量的错误修正（BUGFIX），底层数据结构重写，软件框架的更改，以及代码并行化之后带来的运行不确定性和跨平台等问题极大地增加了软件的开发维护成本和运行风险，这也使得这项工作在实际中并没有想象中的那么吸引人。
R为什么需要并行计算？
那么言归正传，让我们回到R本身。R作为当前最流行的统计软件之一，具有非常多的优点，比如丰富的统计模型与数据处理工具，以及强大的可视化能力。但随着数据量的日渐增大，R的内存使用方式和计算模式限制了R处理大规模数据的能力。从内存角度来看，R采用的是内存计算模式（In-Memory），被处理的数据需要预取到主存（RAM）中。其优点是计算效率高、速度快，但缺点是这样一来能处理的问题规模就非常有限（小于RAM的大小）。另一方面，R的核心（R core）是一个单线程的程序。因此，在现代的多核处理器上，R无法有效地利用所有的计算内核。脑补一下，如果把R跑到具有260个计算核心的太湖之光CPU上，单线程的R程序最多只能利用到1/260的计算能力，而浪费了其他259/260的计算核心。
怎么破？并行计算！
并行计算技术正是为了在实际应用中解决单机内存容量和单核计算能力无法满足计算需求的问题而提出的。因此，并行计算技术将非常有力地扩充R的使用范围和场景。最新版本的R已经将parallel包设为了默认安装包。可见R核心开发组也对并行计算非常重视了。
R用户：如何使用并行计算？
从用户的使用方式来划分，R中的并行计算模式大致可以分为隐式和显示两种。下面我将用具体实例给大家做一个简单介绍。
隐式并行计算
隐式计算对用户隐藏了大部分细节，用户不需要知道具体数据分配方式 ，算法的实现或者底层的硬件资源分配。系统会根据当前的硬件资源来自动启动计算核心。显然，这种模式对于大多数用户来说是最喜闻乐见的。我们可以在完全不改变原有计算模式以及代码的情况下获得更高的性能。常见的隐式并行方式包括：
1、 使用并行计算库，如OpenBLAS，Intel MKL，NVIDIA cuBLAS
这类并行库通常是由硬件制造商提供并基于对应的硬件进行了深度优化，其性能远超R自带的BLAS库，所以建议在编译R的时候选择一个高性能库或者在运行时通过LD_PRELOAD来指定加载库。具体的编译和加载方法可以参见这篇博客的附录部分【1】。在下面左图中的矩阵计算比较实验中，并行库在16核的CPU上轻松超过R原有库百倍之多。在右图中，我们可以看到GPU的数学库对常见的一些分析算法也有相当显著的提速。
2、使用R中的多线程函数
OpenMP是一种基于共享内存的多线程库，主要用于单节点上应用程序加速。最新的R在编译时就已经打开了OpenMP选项，这意味着一些计算可以在多线程的模式下运行。比如R中的dist函数就 是一个多线程实现的函数，通过设置线程数目来使用当前机器上的多个计算核心，下面我们用一个简单的例子来感受下并行计算的效率， GitHub上有完整代码【2】， 此代码需在Linux系统下运行。
#comparison of single thread and multiple threads run
for(i in 6:11) {
&&& ORDER &- 2^i
&&& m &- matrix(rnorm(ORDER*ORDER),ORDER,ORDER);
&&& .Internal(setMaxNumMathThreads(1)); .Internal(setNumMathThreads(1)); res &- system.time(d &- dist(m))
&&&& print(res)
&&& .Internal(setMaxNumMathThreads(20)); .Internal(setNumMathThreads(20)); res &- system.time(d &- dist(m))
&&&& print(res)
3、使用并行化包
在R高性能计算列表【3】中已经列出了一些现有的并行化包和工具。用户使用这些并行化包可以像使用其他所有R包一样快捷方便，始终专注于所处理的问题本身，而不必考虑太多关于并行化实现以及性能提升的问题。我们以H2O.ai【4】为例。 H2O后端使用Java实现多线程以及多机计算，前端的R接口简单清晰，用户只需要在加载包之后初始化H2O的线程数即可，后续的计算， 如GBM，GLM, DeepLearning算法，将会自动被分配到多个线程以及多个CPU上。详细函数可参见H2O文档【5】。
library(h2o)
h2o.init(nthreads = 4)
Connection successful!
R is connected to the H2O cluster:
&&& H2O cluster uptime:&&&&&&&& 1 hours 53 minutes
&&& H2O cluster version:&&&&&&& 3.8.3.3
&&& H2O cluster name:&&&&&&&&&& H2O_started_from_R_patricz_ywj416
&&& H2O cluster total nodes:&&& 1
&&& H2O cluster total memory:&& 1.55 GB
&&& H2O cluster total cores:&&& 4
&&& H2O cluster allowed cores:& 4
&&& H2O cluster healthy:&&&&&&& TRUE
&&& H2O Connection ip:&&&&&&&&& localhost
&&& H2O Connection port:&&&&&&& 54321
&&& H2O Connection proxy:&&&&&& NA
&&& R Version:&&&&&&&&&&&&&&&&& R version 3.3.0 ()
显示并行计算
显式计算则要求用户能够自己处理算例中数据划分，任务分配，计算以及最后的结果收集。因此，显式计算模式对用户的要求更高，用户不仅需要理解自己的算法，还需要对并行计算和硬件有一定的理解。值得庆幸的是，现有R中的并行计算框架，如parallel (snow,multicores)，Rmpi和foreach等采用的是映射式并行模型（Mapping），使用方法简单清晰，极大地简化了编程复杂度。R用户只需要将现有程序转化为*apply或者for的循环形式之后，通过简单的API替换来实现并行计算。对于更为复杂的计算模式，用户可以通过重复映射收集（Map-Reduce）的过程来构造。下面我们用一元二次方程求解问题来介绍如何利用*apply和foreach做并行化计算，完整的代码（ExplicitParallel.R）【6】可以在GitHuB上下载。首先，我们给出一个非向量化的一元二次方程求解函数，其中包括了对几种特殊情况的处理，如二次项系数为零，二次项以及一次项系数都为零或者开根号数为负。我们随机生成了3个大向量分别保存了方程的二次项，一次项和常数项系数。
# Not vectorized function
solve.quad.eq &- function(a, b, c) {
&&& # Not validate eqution: a and b are almost ZERO
&&& if(abs(a) & 1e-8 && abs(b) & 1e-8) return(c(NA, NA) )
&&& # Not quad equation
&&& if(abs(a) & 1e-8 && abs(b) & 1e-8) return(c(-c/b, NA))
&&& # No Solution
&&& if(b*b - 4*a*c & 0) return(c(NA,NA))
&&& # Return solutions
&& x.delta &- sqrt(b*b - 4*a*c)
&& x1 &- (-b + x.delta)/(2*a)
&& x2 &- (-b - x.delta)/(2*a)
&&& return(c(x1, x2))
# Generate data&
len &- 1e6
a &- runif(len, -10, 10)
a[sample(len, 100,replace=TRUE)] &- 0
b &- runif(len, -10, 10)
c &- runif(len, -10, 10)
apply实现方式：&首先我们来看串行代码，下面的代码利用lapply函数将方程求解函数solve.quad.eq映射到每一组输入数据上，返回值保存到列表里。
# serial code
system.time(
&&& res1.s &- lapply(1:len, FUN = function(x) { solve.quad.eq(a[x], b[x], c[x])})
接下来，我们利用parallel包里的mcLapply （multicores）来并行化lapply中的计算。从API的接口来看，除了额外指定所需计算核心之外，mcLapply的使用方式和原有的lapply一致，这对用户来说额外的开发成本很低。mcLapply函数利用Linux下fork机制来创建多个当前R进程的副本并将输入索引分配到多个进程上，之后每个进程根据自己的索引进行计算，最后将其结果收集合并。在该例中我们指定了2个工作进程，一个进程计算1：(len/2), 另一个计算（len/2+1）：len的数据，最后当mcLapply返回时将两部分结果合并到res1.p中。但是，由于multicores在底层使用了Linux进程创建机制，所以这个版本只能在Linux下执行。
# parallel
library(parallel)
# multicores on Linux
system.time(
& res1.p &- mclapply(1:len, FUN = function(x) { solve.quad.eq(a[x], b[x], c[x])}, mc.cores = 2)
对于非Linux用户来说，我们可以使用parallel包里的parLapply函数来实现并行化。parLapply函数支持Windows，Linux，Mac等不同的平台，可移植性更好，但是使用稍微复杂一点。在使用parLapply函数之前，我们首先需要建立一个计算组（cluster）。计算组是一个软件层次的概念，它指我们需要创建多少个R工作进程（parallel包会创建新的R工作进程，而非multicores里R父进程的副本）来进行计算，理论上计算组的大小并不受硬件环境的影响。比如说我们可以创建一个大小为1000的计算组，即有1000个R工作进程。 但在实际使用中，我们通常会使用和硬件计算资源相同数目的计算组，即每个R工作进程可以被单独映射到一个计算内核。如果计算群组的数目多于现有硬件资源，那么多个R工作进程将会共享现有的硬件资源。如下例我们先用detectCores确定当前电脑中的内核数目。值得注意的是detectCores的默认返回数目是超线程数目而非真正物理内核的数目。例如在我的笔记本电脑上有2个物理核心，而每个物理核心可以模拟两个超线程，所以detectCores()的返回值是4。 对于很多计算密集型任务来说，超线程对性能没有太大的帮助，所以使用logical=FALSE参数来获得实际物理内核的数目并创建一个相同数目的计算组。由于计算组中的进程是全新的R进程，所以在父进程中的数据和函数对子进程来说并不可见。因此，我们需要利用clusterExport把计算所需的数据和函数广播给计算组里的所有进程。最后parLapply将计算平均分配给计算组里的所有R进程，然后收集合并结果。
#Cluster on Windows
cores &- detectCores(logical = FALSE)
cl &- makeCluster(cores)
clusterExport(cl, c('solve.quad.eq', 'a', 'b', 'c'))
system.time(
&& res1.p &- parLapply(cl, 1:len, function(x) { solve.quad.eq(a[x], b[x], c[x]) })
stopCluster(cl)
for实现方式：&for循环的计算和*apply形式基本类似。在如下的串行实现中，我们提前创建了矩阵用来保存计算结果，for循环内部只需要逐一赋值即可。
# serial code
res2.s &- matrix(0, nrow=len, ncol = 2)
system.time(
&&& for(i in 1:len) {
&&&&&&& res2.s[i,] &- solve.quad.eq(a[i], b[i], c[i])
对于for循环的并行化，我们可以使用foreach包里的%dopar% 操作将计算分配到多个计算核心。foreach包提供了一个软件层的数据映射方法，但不包括计算组的建立。因此，我们需要doParallel或者doMC包来创建计算组。计算组的创建和之前基本一样，当计算组建立之后，我们需要使用registerDoParallel来设定foreach后端的计算方式。这里我们从数据分配方式入手，我们希望给每个R工作进程分配一段连续的计算任务，即将1：len的数据均匀分配给每个R工作进程。假设我们有两个工作进程，那么进程1处理1到len/2的数据，进程2处理len/2+1到len的数据。所以在下面的程序中，我们将向量均匀分配到了计算组，每个进程计算chunk.size大小的联系任务。并且在进程内创建了矩阵来保存结果，最终foreach函数根据.combine指的的rbind函数将结果合并。
library(foreach)
library(doParallel)
# Real physical cores in the computer
cores &- detectCores(logical=F)
cl &- makeCluster(cores)
registerDoParallel(cl, cores=cores)
# split data by ourselves
chunk.size &- len/cores
system.time(
& res2.p &- foreach(i=1:cores, .combine='rbind') %dopar%
& {& # local data for results
&&&& res &- matrix(0, nrow=chunk.size, ncol=2)
&&&& for(x in ((i-1)*chunk.size+1):(i*chunk.size)) {
&&&&&&& res[x - (i-1)*chunk.size,] &- solve.quad.eq(a[x], b[x], c[x])
&&&& # return local results
stopImplicitCluster()
stopCluster(cl)
最后，我们在Linux平台下使用4个线程进行测试，以上几个版本的并行实现均可达到3倍以上的加速比。
R并行化的挑战与展望
在实际中，并行计算的问题并没有这么简单。要并行化R以及整个生态环境的挑战仍然巨大。
&1、R是一个分散的，非商业化的软件
R并不是由一个紧凑的组织或者公司开发的，其大部分包是由用户自己开发的。这就意味着很难在软件架构和设计上来统一调整和部署。一些商业软件，比如Matlab，它的管理维护开发就很统一，架构的调整和局部重构相对要容易一些。通过几个版本的迭代，软件整体并行化的程度就要高很多。
2、R的底层设计仍是单线程，上层应用包依赖性很强
R最初是以单线程模式来设计的，意味着许多基础数据结构并不是线程安全的。所以，在上层并行算法实现时，很多数据结构需要重写或者调整，这也将破坏R本来的一些设计模式。另一方面，在R中，包的依赖性很强，我们假设使用B包，B包调用了A包。如果B包首先实现了多线程，但是在一段时间之后A包也做了并行化。那么这时候就很有可能出现混合并行的情况，程序就非常有可能出现各种奇怪的错误（BUG），性能也会大幅度降低。
未来 R并行化的主要模式是什么样的？以下纯属虚构，如果有雷同完全是巧合。
1、R将会更多的依赖于商业化以及研究机构提供的高性能组件
比如H2O，MXNet，Intel DAAL，这些包都很大程度的利用了并行性带来的效率提升，而且有相关人员长期更新和调优。从本质上来说，软件的发展是离不开人力和资金的投入的。
2、云计算平台
随着云计算的兴起，数据分析即服务（DAAS：Data Analyst as a Services）以及机器学习即服务（MLAS： machine learning as a services）的浪潮将会到来。 各大服务商从底层的硬件部署，数据库优化到上次的算法优化都提供了相应的并行化措施，比如微软近期推出了一系列R在云上的产品，更多信息请参见这篇文章。因此，未来更多的并行化工作将会对用户透明，R用户看到的还是原来的R，然而真正的计算已经分布到云端了。
【1】http://www.parallelr.com/r-hpac-benchmark-analysis/【2】https://github.com/PatricZhao/ParallelR/blob/master/PP_for_COS/ImplicitParallel_MT.R【3】https://cran.r-project.org/web/views/HighPerformanceComputing.html【4】http://www.h2o.ai/【5】http://docs.h2o.ai/h2o/latest-stable/h2o-docs/booklets/RBooklet.pdf【6】https://github.com/PatricZhao/ParallelR/blob/master/PP_for_COS/ExplicitParallel.R
阅读(...) 评论()无功功率如何计算?计算公式是?
问题描述：
无功功率如何计算?计算公式是?
问题解答：
视在功率为S,有功功率为P,无功功率为Q,电压U,电流I,相角差为φS＝U×IP＝U×IcosφQ＝U×Isinφ根据有功功率P与视在功率S的比值,称为功率因数cosφcosφ=P/S根据sinφ平方+cosφ平方=1,再计算无功功率Q＝Ssinφ=S根号（1-cosφ^2）
我来回答：
剩余:2000字
视在功率=有功功率+无功功率三相电机的功率计算如下：有功功率=1.732UICOSΦ无功功率=1.732UISinΦ 功率的计算公式p=w/t p=UI P=I^2 *R P=Fv P=U^2 /R 功的计算公式: W=Fs W=UIt W=I^2 *Rt W=U^2 *t /R 1,两相家用电器功率的计算方法是: P
毛利=酒店营业收入-营业成本+酒店营业外收入-营业外成本 毛利率=(毛利-营业税)*100%/营业收入
img class="ikqb_img" src="http://b.hiphotos.baidu.com/zhidao/wh%3D600%2C800/sign=3152dcdca6efce1bea7ec0cc9f61dfe6/0d338744ebf81a4cf0b273e3d62ac.jpg"
在数学上,没有“三角体”这种名称.如果楼主所问的是“锥体”,那么 体积 = 底面积×高÷3 . 再问： 超恩吗
视在功率S是用电器电流与电压的简单乘积有功功率P是电流通过用电器做功的功率无功功率Q=I*U*sinφ,单位为乏或千乏.有功功率P=IUCOSφ 其实有功功率P、无功功率Q、视在功率S就是一直角三角形的三条边：S为斜边,P、Q为两直角边,P、Q就是把S正交分解出来的两个分量；P^2+Q^2=S^2（勾股定理）.功率因数
1、螺旋箍筋计算方法：在圆柱形构件（如图形柱、管柱、灌注桩等）中,螺旋箍筋沿主筋圆周表面缠绕,其每米钢筋骨架长的螺旋箍筋长度,可按下式计算：l=2000лa/p×[1-e^2/4-3/64(e^2)^2 –5/256(e^2)^3] 其中 a=√（p^2+4D^2）/4 e2=(4a^2-D^2)/( 4a^2)式中
无功补偿容量的确定最好是按负荷状态计算,这样会避免估算不准使容量过大而增加设备投资,估算小了又得不到应有的效果.实在无法确定负荷状况时只能按变压器的容量估算了：一般按变压器容量的30%~60%.补偿后的月平均功率因数达到0.90以上就可以不交力率电费了.电业部门规定月平均功率因数就是0.90以上.有的地区0.95以上还
在功率三角形中,有功功率P与视在功率S的比值,称为功率因数cosφ,其计算公式为： cosφ=P/S=P/（P2+Q2）1/2 http://wenku.baidu.com/view/cd58daf45a912.html麻烦采纳,谢谢!
柴油机的耗油一般是190--220克/千瓦/小时（视不同的机器、不同牌号的燃油）.现以200KW柴油发电机组为例,按200克/千瓦/小时计算,那么8小时的油耗量：200（KW）*200/1000）*8=352(Kg) 0号柴油的密度约0.84（Kg/L）.320/0.84=419（L） 即你的200KW柴油发电机组,八
可以查到现成的吧
一吨煤含硫的质量是1000Kg*0.5%=5Kg=5000g,那么含碳995Kg那么设生成SO2的质量为xS+O2==SO25000~x解得x=10000g=10Kg因此,产生SO2 10Kg设生成CO2的质量为yC+O2==CO2y=3648.3Kg,因此产生二氧化碳3648.3Kg因此一共产生气体3658.3Kg,
计算公式请看附图其中[H+]指的是溶液中氢离子的活度（有时也被写为[H3O+],水合氢离子活度）,单位为莫耳／升,在稀溶液中,氢离子活度约等于氢离子的浓度,可以用氢离子浓度来进行近似计算.在标准温度和压力下,pH=7的水溶液（如：纯水）为中性,这是因为水在标准温度和压力下自然电离出的氢离子和氢氧根离子浓度的乘积（水的离
《辞海》中无功功率的解释：具有电感和电容的交流电路中,电感的磁场或电容的电场在一个周期内的一部分时间内从电源吸收能量,另一部分时间内将能量返回电源.在整个周期内平均功率为零,也就是没有能量消耗.但能量是在电源和电感或电容之间来回交换的.能量交换率的最大值叫做无功功率. 在交流电路中任意一两端无源网络如右图所示,有下式成
大概在3个小时左右吧~!UPS电池放电时间计算方法（逆变效率按90%、12V电池放电终止电压10.5V）1、计算蓄电池的最大放电电流值： I最大=Pcosф/（η*E临界） 注：P → UPS电源的标称输出功率cosф → UPS电源的输出功率因数（UPS一般为0.8）η → UPS逆变器的效率,一般为0.88~0.9
计算公式一般的分析化学书籍上都会有,但手工算非常复杂,通常我都用Excel里的函数功能=STDEV()/AVERAGE()计算 excel比较方便 好像相对标准偏差还得乘以100%:Dzhufusige(站内联系TA)相对标准偏差=样本标准偏差/样本的平均值wuheng167(站内联系TA)一般的计算器,就可以算啊!z
计算公式是：（35+10）-（9+10）=45-19=26（岁）答：10年后妈妈比小红大26岁.
计算公式：X=a*L*△Tx 管道膨胀量a为线膨胀系数,取0.0133mm/mL补偿管线（所需补偿管道固定支座间的距离）长度△T为温差（介质温度-安装时环境温度）补偿器的一般计算公式是上面的
计算公式：体积 = 3.14159 x 半径的平方 x 高半径的平方 = 2 x 体积,再 除以（3.14159x高）这个数开平方后再 x 2就是直径只能算岀近似值,因为罐体不是标准园柱体,容积只是标称值
也许感兴趣的知识