基于卷积神经网络的涵洞式直立堤波浪透射预测

涵洞式直立堤是一种具有特殊用途的海岸工程结构物,对其透浪特性的研究具有重要工程意义. 然而,目前众多学者对于涵洞式直立堤波浪透射问题的研究主要以理论分析、实验模拟及数值计算为主.随着机器学习技术的发展, 传统水动力学问题迎来了新的求解理念.机器学习算法可根据训练数据集自主学习相应的规律,以数据映射的方式建立水动力学特征预测模型,在实际应用中无需对流体运动控制方程进行求解, 具有较高的计算效率. 因此,本文基于卷积神经网络(convolutional neural network, CNN),对不同开孔条件下的涵洞式直立堤透浪特征进行预测.首先利用模型试验验证计算流体力学(computational fluid dynamics, CFD)模型的有效性,然后基于CFD模型生成相应的训练数据集, 通过训练卷积神经网络模型,建立相应的波浪透射结果之间的数据映射关系,实现在新的工况下对波浪透射系数以及透射波波形等特征的快速预测. 结果表明,经过训练的卷积神经网络可在极短时间内计算得到相应的结果, 并具有较高的准确性.研究成果可为波浪与海岸结构物相互作用的问题提供新的求解理念.      

锶原子二级Doppler冷却及温度的测量

为了减小锶原子跃迁谱线的多普勒增宽及频移,需要对锶原子进行激光冷却以降低它的速度,而一级冷却只能将原子温度降低至mK量级,这样的原子其速度过大而无法有效地装载至光晶格中,因此必须进行二级冷却.锶原子存在单重态与三重态(5s2)1S0-(5s5p)3P1间互组跃迁,利用与其跃迁波长在689 nm的窄线宽激光对锶原子进一步冷却,可将锶原子团温度降低至μK量级.利用时序有效、准确地控制磁场和光场与原子相互作用时间,通过飞行时间法对锶冷原子温度进行了测算.实验中应用计算机精确控制磁光阱区域中冷原子团下落时间,EMCCD记录冷原子团初始时刻和下落20 ms后的状态.经过分析计算二级冷却温度为4.39 μK,不确定度仅为0.19 μK,二级冷原子团数目约为1.2×10 7.低温二级冷却锶原子温度及原子数目的获得为锶光钟跃迁信号的信噪比估计提供实验参考,也是实现高精度时间频率标准的前提.     

Precision frequency measurement of ~1S_0–~3P_1 intercombination lines of Sr isotopes

We report on frequency measurement of the intercombination(5s2)1S0–(5s5p)3P1transition of the four natural isotopes of strontium,including88Sr(82.58%),87Sr(7.0%),86Sr(9.86%),and84Sr(0.56%).A narrow-linewidth laser that is locked to an ultra-low expansion(ULE)optical cavity with a finesse of 12000 is evaluated at a linewidth of 200 Hz with a fractional frequency drift of 2.8×10-13at an integration time of 1 s.The fluorescence collector and detector are specially designed,based on a thermal atomic beam.Using a double-pass acousto-optic modulator(AOM)combined with a fiber and laser power stabilization configuration to detune the laser frequency enables high signal-to-noise ratios and precision saturated spectra to be obtained for the six transition lines,which allows us to determine the transition frequency precisely.The optical frequency is measured using an optical frequency synthesizer referenced to an H maser.Both the statistical values and the final values,including the corrections and uncertainties,are derived for a comparison with the values given in other works.