一种新的岩石非线性黏弹塑性蠕变模型研究

为了克服传统元件组合模型不能描述岩石蠕变过程中非线性特征的缺陷，首先根据加速蠕变阶段的应变和应变率随蠕变时间急剧增大的特点，建立黏塑性应变与蠕变时间的指数函数关系并提出非线性黏塑性体．将该非线性黏塑性体与广义Burgers蠕变模型串联，建立可以描述岩石全蠕变过程的非线性黏弹塑性蠕变模型，根据叠加原理得到一维应力状态下的轴向蠕变方程．然后基于塑性力学理论指出岩石三维蠕变本构方程建立过程中的不足之处，并给出非线性黏弹塑性蠕变模型合理的三维蠕变方程．最后采用不同应力水平下砂岩轴向蠕变试验对模型合理性进行验证，结果表明：拟合曲线与试验曲线吻合度较高，所建蠕变模型能够很好地描述砂岩在不同应力水平下的蠕变变形规律，尤其对加速蠕变阶段的非线性特征描述效果很好，验证了模型的合理性．     

微生物絮凝的时滞动力学模型与理论分析

基于微生物连续培养与絮凝等实际问题,利用微分方程相关理论,构建了一类具有时间滞后的微分方程动力学模型.模型中的时间滞后刻画了培养皿中微生物对于连续供给的营养物质的吸收、转化过程中客观存在的滞后因素.边界平衡点的存在性与稳定性揭示了培养皿中,连续培养的微生物浓度,随着时间的推移,将趋近于零.另一方面,正平衡点的存在性与稳定性揭示了培养皿中,连续培养的微生物浓度、营养物质浓度、絮凝剂浓度,随着时间的推移,将分别趋近于常数,即培养皿中微生物连续收集的可行性.     

干式变压器有限元仿真模型的电磁和振动分析

随着电力需求的逐年增长,干式变压器的数量也在不断增加。干式变压器在运行时存在着振动和噪声的问题,为了对干式变压器振动的规律与特点进行研究,本文建立了干式变压器本体振动的有限元仿真模型,通过电磁分析获得相应的磁场分布,然后利用结构动力学分析得到其本体振动的相关规律。通过对处于运行状态的变压器振动数据进行实测分析,得到变压器振动的特征频率,然后对仿真结果进行对比分析,可以发现振动幅度与频率之间存在的关系。本文的研究结果可对干式变压器的减振降噪研究提供参考。     

结合VEC和信心水平分析Black-Litterman投资组合模型

在理论上通过推导得出了Black-Litterman模型(B-L模型)最优权重与信心水平的关系式.实证部分开创性地将多元时间序列VEC模型运用到B-L模型的观点收益预测中.结果表明:且通过向量误差修正模型,实证取得了较好的效果.在任意一种做空限制下,随着信心水平在0%~70%水平上升,收益率有连续上升的趋势,并逐渐趋稳;风险有并不明显的下降的趋势.对同一信心水平而言,随做空限制的放宽,收益率有上升趋势.     

水分子夹2,6-二(2-苯并咪唑基)吡啶水合物的晶体结构、氢键和DFT研究

基于实验得到的单晶结构建立了理论计算的结构模型,旨在用计算结果揭示实验所获得结构的微观驱动力,即弱相互作用的重要模式.通过对实验结构的异构化处理,建立异构体模型并进行比对,可以给出实验结构在能量上的优势.采用密度泛函方法对BIPy的2种同晶异形体I(实验获得的单晶结构)和II(根据I的结构设计的异构体)与水分子之间的氢键相互作用进行了计算.结果表明,BIPy-I在能量上具有明显优势,进一步证明了水分子在水分子夹中更适合作为氢键的受体.虽然BIPy-II构型也处于势能面上的稳定点,但是实验无法得到其单晶结构.因此,从BIPy-I构型中所观察到的N-H…O氢键模式是优势作用模式.     

基于模糊形式背景的变精度模糊信息粒

在模糊形式背景下研究变精度的模糊信息粒,给出精度为δ的必要模糊信息粒,充分模糊信息粒以及充分必要模糊信息粒的定义.在此基础上,进一步给出对任意给定的模糊信息粒转化为精度为δ的必要模糊信息粒,充分模糊信息粒及充分必要模糊信息粒的方法.     

减反膜对单晶硅太阳能电池性能的影响分析

在太阳能电池效率的评价中，电池材料、掺杂浓度、扩散长度等都是比较重要的参数，合理地改变相关参数可以优化太阳能电池的性能，提高电池效率。此外，在太阳能电池表面镀一层具有减反作用的光学薄膜（简称减反膜）也是提高电池效率的重要手段。以提高电池效率为目标，对单晶硅太阳能电池的掺杂浓度和扩散长度等微观参数进行计算优化，分析了掺杂浓度和扩散长度变化对电池效率的影响。并在此基础上分析了不同类型的减反膜对于电池效率的影响，给出了最佳减反膜材料及其膜系厚度，并且结合镀膜后电池量子效率的变化验证了其准确性。结果表明，在优化电池掺杂浓度和扩散长度的基础上，选择合适的减反膜，电池效率最高可达20.35%，相比于优化前提高了8.25%。     

基于Deep-IndRNN的DGA域名检测方法

恶意服务常利用域名生成算法（DGA）逃避域名检测,针对DGA域名隐蔽性强、现有检测方法检测速度较慢、实用性不强等问题,采用深度学习技术,提出了一种基于Deep-IndRNN的DGA域名检测方法。方法运用词袋模型（BoW）将域名向量化,然后通过Deep-IndRNN提取域名字符间特征,并使用Sigmoid函数对域名分类检测。其主要特点在于:通过将Deep-IndRNN的多序列输入拼接为单向量输入,以单步处理代替循环处理,同时结合Deep-IndRNN能保存更长时间记忆的特点,可有效释放深度学习时占用的GPU、CPU等系统资源,且在保证高准确率和精确度的前提下提高训练、检测速度。实验结果表明,基于Deep-IndRNN的DGA域名检测方法在检测任务中具有较高的准确率和精确度,相比于DNN、CNN、LSTM、BiLSTM、CNN-LSTM-Concat等同类检测方法,能显著提高训练、检测速度,是有效可行的。