含R227ea制冷剂燃爆特性的研究

论文对合Ｒ１３４ａ、Ｒ２２７ｅａ的制冷剂爆炸特性进行理论和实验研究．提出含有阻燃组元的混合工质燃爆特性燃爆特性模型，给出实验与计算结果的比较。     

基于机器学习的合金催化剂表面吸附能预测

近年来,机器学习方法逐渐成为多相催化中的一种关键研究手段. 二元合金材料作为重要的催化剂之一,在双功能催化剂的筛选中受到了广泛的关注. 本文提出了一个将机器学习方法应用在预测催化性质上的整体框架,从而快速预测原子、分子在金属和二元合金表面的吸附能. 通过测试不同的机器学习方法来评估它们对于该问题的适用性,并将树集成的方法与压缩感知方法相结合,利用约6×10⁴个吸附能数据构建了预测模型. 相对于线性比例关系,该方法可以更准确地预测大量合金上的吸附能(预测的均方根误差降低一半),并且更通用地预测各种吸附物的能量,为发现新的双金属催化剂铺平了道路.     

甲烷-空气最小点火能量预测理论模型

 最小点火能是可燃气体危险性辨识的重要参数之一。为从理论上得到混合气体的最小点火能,建立了可燃气体火花点火的物理模型,给出了通过数值模拟得到的可燃气体最小点火能量的预测方法,采用该方法得到了甲烷-空气混合气火花点火的临界温度及最小点火能量。结果表明：甲烷-空气混合气的最小点火能量与浓度呈U型关系,浓度为8.5%的预混气的最小点火能量计算值为0.39 mJ,与实验值0.4 mJ吻合较好。     

五级自动复叠制冷循环混合制冷剂特性分析与计算

根据已有的五级自动复叠循环系统,对两种制冷剂组合进行特性分析,并选择其中的组合R600a/R23/R14/R740/R728,同时进行制冷剂配比的模拟计算,并确定最终制冷剂的配比。     

预混气体自由基点火的机理研究

本文通过渐近理论分析研究了预混气体的自由基点火。采用包含自由基动力学的两步化学反应,基于火焰球模型,推导出了描述火焰球半径随热点火能和自由基点火能以及燃料与自由基的Lewis数的关系式。并在此基础上分别分析了不存在热点火和存在热点火时自由基点火的临界条件,研究了燃料与自由基的Lewis数对最小自由基点火能的影响。研究结果表明:仅存在自由基点火时,最小自由基点火能随着自由基Lewis数的增加而减小,但燃料Lewis数对最小自由基点火能无影响。     

基于机器学习的无机磁性材料磁性基态分类与磁矩预测

磁性材料是信息时代重要的基础材料,不同的磁性基态是磁性材料广泛应用的前提,其中铁磁基态是高性能磁性材料的关键要求.本文针对材料项目数据库中的无机磁性材料数据,采用机器学习技术实现无机磁性材料铁磁、反铁磁、亚铁磁和顺磁基态的分类以及无机铁磁性材料磁矩的预测.提取了材料的元素和结构属性特征,通过两步式特征选择方法分别为磁性基态分类和磁矩预测筛选了20个材料特征,发现材料特征中的电负性、原子磁矩和原子外围轨道未充满电子数对两种磁性性能具有重要贡献.基于机器学习的随机森林算法,构建了磁性基态分类模型和磁矩预测模型,采用10折交叉验证的方法对模型进行定量评估,结果表明所构建的模型具有足够的精度和泛化能力.在测试检验中,磁性基态分类模型的准确率为85.23%,精确率为85.18%,召回率为85.04%, F1分数为85.24%;磁矩预测模型的拟合优度为91.58%,平均绝对误差为0.098μB/atom.本研究为无机铁磁性材料的高通量分类筛选与磁矩预测提供了新的方法和选择,可为新型无机磁性材料的设计研发提供参考.     

基于机器学习方法的微通道热沉性能预测研究

本文提出使用机器学习方法快速准确地预测歧管–二次流混合结构微通道热沉的泵功率和总热阻。将混合结构微通道热沉的结构特征参数进行了无量纲化,利用计算流体动力学的方法获得数据集。测试了不同机器学习算法在混合结构热沉性能预测任务上的表现。结果表明在数据集有限的情况下,随机森林算法能准确地学习到无量纲结构参数与泵功率和总热阻之间的映射关系。本文研究结果将有助于微通道热沉的优化设计。     

基于机器学习的水体化学需氧量高光谱反演模型对比研究

化学需氧量（COD）是水体有机污染的一项重要指标,如何快速准确检测水体的COD含量尤为重要。机器学习在水质反演领域应用日益增多,并取得了较多的研究成果,高光谱遥感具有光谱空间分辨率高、成像通道多等优势,使其在水体COD反演方面有着极大的潜力。利用不同的高光谱预处理方法对原始高光谱数据进行处理,并利用处理前后的高光谱数据对比研究了不同机器学习模型、不同高光谱预处理方法对水体COD的反演性能。首先利用ZK-UVIR-I型原位光谱水质在线监测仪在扬州宝带河实地收集了1 548组COD和对应的高光谱数据（400~1 000 nm）样本,为降低光谱噪音干扰以及消除光谱散射影响,分别使用Savitzky-Golay（SG）平滑、多元散射校正数据（MSC）以及SG平滑结合MSC对原始光谱进行预处理。其次,将样本集随机划分为训练集和测试集,其中训练集占比80%,测试集占比20%。对预处理后的训练集全波段光谱基于线性回归、随机森林（random forest）、AdaBoost、XGBoost四种机器学习方法建立COD高光谱反演模型,并选取了决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）三种指标在测试集数据中评估高光谱反演模型的精度。结果表明,随机森林、AdaBoost、XGBoost均优于线性回归,无论光谱处理与否,通过XGBoost建立的反演模型预测能力均为最佳,其中使用XGBoost对经过SG平滑和MSC处理后的光谱数据进行建模的反演模型精度最高,其R2达到0.92,RMSE为7.1 mg·L-1,RPD为3.4。考虑到原始光谱可能存在冗余,通过主成分分析法（PCA）对经过SG平滑和MSC处理后的光谱进行降维,并选取累计贡献率达到95%的前十个主成分作为模型的输入变量。通过XGBoost建立反演模型,结果表明经过PCA后的反演模型不仅精度有所上升,RPD达到3.8,而且模型的训练时间也由72 s缩短到2.9 s。以上研究可为该水域及类似水域的高光谱水质反演模型的建立提供新的方法及思路。     

一种非共沸混合工质的循环特性分析

本文首先利用CSD方程进行了理论分析,得到了R290/R123/R600a物系的COP值、单位容积制冷量、冷凝和蒸发压力的相图;然后,在小型压缩式热泵实验台上进行了实际工况运行分析,发现该工质可以在较大的温度范围高效循环,这也是目前其它工质所不具备的特点。     

基于机器学习的束团横向相空间测量

理论上,使用断层扫描技术可以得到真实的横向相空间分布。但是想要更加精确地了解分布的细节,需要解决旋转角度范围受限和投影数目不足的问题。针对这两个问题,提出了在混合域处理的神经网络模型,即组合地在正弦域和断层域分别使用插值和去除伪影神经网络。在简单地测量束线以及投影数目比较少（7个）的情况下,该网络模型也能高质量地重建束团横向相空间分布。并且,由于选择旋转角度的方式和归一化相空间无关,因此,无需测量Twiss参数。采用该方法测量束团横向相空间,一定程度提升了重建质量,简化了测量的方式。     

燃料与自由基的Lewis数对预混气体点火的影响

通过渐近理论分析研究了燃料与自由基的Lewis数对预混气体点火的影响。采用包含自由基的两步化学反应,基于火焰球模型,推导出了描述火焰球半径随点火能以及燃料与自由基的Lewis数而变化的关系式。并在此基础上发现不同参数条件下成功点火的三种情况,研究了燃料与自由基的Lewis数对最小点火能的影响。研究结果表明:随着燃料Lewis数的增大,最小点火能增大;随着自由基Lewis数的增大,最小点火能减小。     

基于机器学习的压气机叶型优化设计

现代压气机性能需求日趋严苛,叶型优化工作至关重要。近年来遗传算法在叶型优化设计中得到诸多应用,但是传统遗传算法耗时过大,为解决这一问题本文提出了一种应用主成分分析与人工神经网络的流场重构方法,以及基于该方法的快速评估叶型性能的遗传算法优化流程。数值结果表明,基于该优化流程的寻优结果预测静压比与CFD计算值的误差低于0.1%,能够有效对叶型性能进行预测;并且该寻优结果与原始叶型相比静压比提升14.7%,效果可观。     

基于机器学习的轨道校正方法

轨道校正是加速器束流调节最基本的步骤之一,也是目前各加速器实验室共同面对的问题之一。在传统方法中,线性代数工具被应用于各种类型的响应矩阵,以解决响应矩阵的奇异性等问题。提出一种基于机器学习的加速器轨道校正方法,可以避免处理响应矩阵的问题通过直接读取BPM数据和校正磁铁强度值实时构建机器学习模型快速地对轨道进行修正。对机器学习的轨道校正方法进行了介绍,并从数学公式、算法模型、在模拟和真实数据上的测试等方面对该方法进行了讨论。结果表明,在误差范围内该方法能有效的对加速器束流轨道进行校正。     

基于机器学习方法的快速射电暴分类研究

快速射电暴(FRB)是继伽马射线暴之后出现的持续时间更短的高能爆发现象,其分类、物理起源和辐射机制等基本问题目前尚不清楚。最新观测发现FRB大部分是一次性爆发事件,仅有极少量的重复FRB,人们就此把FRB简单分为重复暴和非重复暴。FRB清楚的分类对揭示它的物理起源至关重要。在本文中,我们首先使用流形学习降维算法t-分布随机近邻嵌入(t-SNE)对CHIME望远镜观测到的536个FRB进行了分类。结果发现FRB可以明显地分为两类,已经证认的重复暴属于其中一类,由此我们给出了152个重复暴候选体。其次,我们分析了两类暴的统计特性,发现重复暴候选体和已经证认的重复暴之间的统计特征高度相似,而重复暴候选体和非重复暴的多个物理量有着明显的不同,重复暴的各向同性峰值光度(L_iso)、各向同性能量(E_iso)和亮温度(T_B)的平均值都小于非重复暴,暗示着两类暴可能有不同的起源。另外我们还发现两类FRB的L_iso、E_iso和T_B之间都存在较强的相关性,且没有显著差异,表明...     

基于波动与扩散物理系统的机器学习

物理学在机器学习中的应用以及两者的交叉融合正引起广泛关注,尤其是在波动系统和扩散系统中.本文重点关注波动与扩散物理系统和机器学习之间的内在联系以及对机器学习算法和物理实现的推进作用,综述了波动系统和扩散系统中的机器学习研究,介绍了部分最新研究成果.文中首先讨论了监督学习的波动系统实现,包括神经网络的波动光学实现、量子搜...     

基于机器学习的玉米单倍体近红外光谱鉴别方法研究

在玉米单倍体技术中,单倍体鉴别是非常重要的环节。该研究对大量玉米单倍体与杂合二倍体的近红外透射光谱进行分析,以期建立一套在生产上实用的单倍体鉴别模型。通过采集三组遗传背景不同的玉米单倍体与杂合二倍体籽粒光谱,进行不同机器学习算法对比,光谱预处理建模效果比较,以及分析数据集大小对模型构建的影响。对比所有单倍体与杂合二倍体的平均光谱,发现二者在光谱的吸收峰位置基本相同,但是单倍体的吸光度略高于杂合二倍体,尤其是在波长940～1 120 nm以及1 180～1 316 nm这两段谱区差异较大。在构建的几个模型中,采用偏最小二乘法和神经网络算法的模型单倍体鉴别准确率较高,分别为93.26%和95.42%。测试集验证的结果与模型准确率一致,表明两种算法适宜进行单倍体大规模筛选。利用偏最小二乘法模型比较了不同光谱预处理方法的模型效果,发现仅进行移动窗口平滑预处理原始光谱进行建模准确率最高。对不同大小数据集的建模效果对比发现,在一定范围内增大数据集有助于提高模型准确率。而且数据中单倍体所占比例较高时,单倍体预测召回率可达100%。此外,还根据籽粒颜色标记挑选出不易鉴别的单倍体和杂合二倍体,利用偏最小二乘法构建的机器学习模型预测准确率可达93.39%,显示出近红外鉴别单倍体的优势,即有可能在不依赖籽粒颜色的情况下实现准确鉴别。基于机器学习的近红外单倍体鉴别方法具有较高的准确率,而且该方法还能在后期数据增加的基础上不断优化,对其开展理论研究有望为自动化智能鉴别单倍体创造条件。     

基于自旋体系的量子机器学习实验进展

机器学习因其在模式识别等问题上的优势已经被广泛应用到各个研究领域,然而其运算能力在一定程度上受到经典计算机算力的制约.近年来,随着量子技术的高速发展,量子计算加速的机器学习在诸多量子体系中进行了初步实验验证,并在某些特定问题上展示出了超越经典算法的优势.本文主要介绍两类典型的自旋体系?核磁共振体系和金刚石氮空位色心体系...     

基于机器学习的竖直管内超临界压力CO2湍流换热替代模型研究

超临界压力流体在热力发电、航空航天热防护等工业领域具有广泛应用和广阔的应用前景.然而,由于超临界压力流体在准临界温度附近物性变化剧烈,对流换热性能异于常规流体,为系统热设计带来了很大挑战.本文以受浮升力与热加速耦合影响的超临界压力CO2管内湍流换热问题为例,利用机器学习的高斯过程回归算法和协同克里金法建立两种计算模型,...     

混合工质变浓度空调系统动态特性的模拟

本文在分析混合工质变浓度空调系统的传热传质和参数间的相互耦合关系的基础上,以实际流体的质量、动量和能量守恒方程为基础,结合系统各部件的特点,分别建立了各部件的数学模型,并实现了对系统动态特性的模拟计算和分析。     

粉尘云电火花最小点火能的统计分析

基于统计分析的Logistic回归模型,应用以概率表示粉尘云最小点火能的计算方法,在容积为1.28L的Mike 3管内对不同浓度的烟酸粉尘-空气混合物进行了最小点火能测试实验,利用SPSS软件计算得到了各浓度下烟酸粉尘云点火成功概率为10%和50%时的最小点火能。结果表明,烟酸粉尘云最小点火能随浓度的增大呈现先减小后增大的趋势,最后保持在一定的能量范围内。与其他标准的计算结果相比,这种方法给出的结果更符合实际情况,也能满足不同生产环境对安全控制的需要。