水上重大溢油事故围油栏协同调度方法研究

针对水上重大溢油事故,围控作业对围油栏调运数量和应急限制期的要求极高,为了尽可能提高待围控区域的应急调度效果,需要组织责任区间内各应急反应基地进行围油栏协同调度。文章将受溢油污染威胁区域划分为有限个待围控区域,分别计算各待围控区域的重要度权重、围油栏需求量和应急限制期。考虑各应急反应基地的围油栏可调运量及单次运载能力限制,针对不同重要度的待围控区域对围油栏调运数量和应急限制期的要求,构建多应急反应基地-多待围控区域的协同调度模型,确定各应急反应基地的围油栏调运去向和调运量。通过对比试验对本文模型的有效性进行验证,研究结果表明:组织多个应急反应基地进行围油栏协同调度,并差别化对待区域内不同敏感资源的应急调运要求,可以显著地提高受溢油污染威胁区域的整体应急调度效果。     

粘弹性蠕虫状胶束及其应用

介绍了粘弹性蠕虫状胶束的形成、类型、基本性质及其应用情况.粘弹性蠕虫状胶束具有重要的微观结构,因其特殊的流变性能而在不同领域具有重要应用.最近,蠕虫状胶束的结构和动态性质的研究已经延伸到不同类型的表面活性剂,如阴离子、两性离子和聚合物表面活性剂.目前,其应用领域已经拓展到油田、社区冷热流体的减阻、个人护理和家庭清洁产品的增稠剂等方面.     

考虑运营稳定性的内支线班轮航线网络规划模型

货主选择承运航线的影响因素,既包括挂靠港口的计划到港时间与单箱运价,还包括反映班轮运营稳定性的甩箱率与准班率。对此,文章将挂靠港口的航行与在港时间不确定引入研究,并对挂靠港口间的不确定性建立联系,基于航次仿真来计算各挂靠港的到港时间分布、船舶的航次最大载箱量分布。以班轮航线的甩箱率与准班率限制、内支线最大船型与最长往返时间为约束,在优化内支线航线网络结构的同时,计算航线适配船型、班期密度及挂靠港计划到港时间。针对所构建的带不确定参数的NP难问题,文章设计了基于模拟仿真的智能优化算法,通过方案仿真技术来处理输入模型的众分布函数,借助智能优化原理从大范围解空间内寻找满意方案。文末对船舶航次仿真与网络规划模型的有效性进行了验证,算例分析表明:内支线班轮航线网络的货主选择比例达64%,且不论货主更偏好运输时间或价格,航线方案皆能贴近货主偏好。     

基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究

夏威夷果含油量高，在开缝之后容易发生变质，现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验，很难满足无损检测的需求。卷积神经网络(CNN)作为应用最广泛的深度学习网络模型之一，具有比浅层学习方法更强的特征提取与模型表达能力，在光谱数据方面的应用拥有很大潜力。基于夏威夷果在可见-近红外的光谱特征分析，研究用于提取夏威夷果光谱特征的卷积神经网络模型，并提出一种高效无损鉴定夏威夷果品质的方法。首先以三种不同品质的夏威夷果(好籽、哈籽及霉籽)为研究对象，分析样本在500~2 100 nm的光谱信息；在光谱数据预处理中引入白化处理方法，用以增强数据的相关性差异；然后在模型训练过程中，将样本随机分为训练集和预测集，探讨不同CNN结构、卷积层数、卷积核大小及个数、池化层类型、全连接层神经元个数以及激活函数对分类结果的影响，并采用激活函数ReLU和Dropout方法，预防样本数据过少引起的过拟合现象；最后通过分析模型分类准确率和计算效率，确定了一个6层结构的CNN模型： 输入层-卷积层-池化层-全连接层(200神经元)-全连接层(100神经元)-输出层。实验结果表明： 上述网络模型对校正集和预测集的分类准确率均达到100％。因此，改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类，将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定，同时为夏威夷果等坚果类食品的高效、无损、实时在线检测提供了新思路。     

基于卷积神经网络与显微高光谱的胃癌组织分类方法研究

为了探究高光谱技术在胃癌组织病理诊断中的应用,将高光谱成像与显微系统结合,采集胃部切片组织的高光谱图像。针对胃癌组织与胃部正常组织在410~910nm波段的光谱特性差异,提出了一种基于卷积神经网络模型的胃癌组织分类方法,对原始光谱进行S-G平滑和一阶导数等预处理,通过分析光谱数据的特点和模型的分类效率,确定了最佳的网络结构及参数。实验结果表明:该模型对胃部癌变和正常组织的分类准确率为96.53%,鉴别胃癌组织的灵敏度和特异性分别达到94.29%和97.14%;相比于浅层学习方法,卷积神经网络模型能够充分提取癌变组织的深层光谱特征,同时能有效避免过拟合现象。将深度学习理论与显微高光谱结合的方法为医学病理研究提供了新思路。