融合数据与机理的燃煤发电机组协调系统建模

为掌握灵活运行条件下燃煤发电机组动态特性,通过融合传统机理建模与数据建模方法,建立了亚临界机组协调系统模型.模型基础构架通过机理分析构建,针对宽负荷下机理模型中部分环节非线性程度高、建模难度大,采用极限学习机进行辅助建模.以某660 MW亚临界机组为例,利用稳态运行数据数据训练获得了基于极限学习机的燃料系数、汽轮机系数...     

基于极限梯度提升的完美匹配单层智能算法实现航空瞬变电磁问题高效吸收

对于航空瞬变电磁的低频探地问题,除了精度和效率需要考虑,深地探测问题的复杂度也不容忽视,特别是对于低频复杂问题存在异常体与背景间的多尺度效应.为了模拟开域问题,有限厚度区域的完全匹配层被用于截断计算域,然而这也无形中增大了整个模型,造成计算复杂度增加.鉴于此,提出了一种新的基于极限梯度提升(extreme gradient boosting, XGB)的完美匹配单层模型,并将该模型集成到时域有限差分求解器中,以进一步提高时域有限差分仿真的性能.所提出的基于XGB的完美匹配单层模型通过特征注意力集成学习方法可以获得更高的精度,同时占用更少的内存、消耗更少的时间.此外,由于该模型依托于传统机器学习模型,因此它在模型训练的稳定性和轻量级方面具有显著的优势.最后,通过对航空瞬变电磁应用进行三维数值模拟,验证了该方法的有效性和稳定性.该模型不仅在精度、效率和问题复杂性方面具有优势,而且还可以成功地集成到时域有限差分求解器中,解决低频航空瞬变电磁问题.     

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.     

机器学习筛选用于气体吸附分离和存储的金属有机骨架材料

金属有机框架（Metal-organic framework ,MOF）因其高孔隙率、高比表面积和结构可调性,在气体吸附分离领域广泛应用。随着MOF数量激增,传统分子模拟和实验方法验证MOF性能成本高且速度慢,因此目前MOF筛选工作已转向高通量计算辅助的机器学习（Machine-learning,ML）。机器学习作为一种高效的大数据处理方法,能够在高通量筛选（High-Throughput Computational Screening,HTCS）的基础上对数据进行拟合,从而快速而准确地筛选出气体吸附分离材料,并深入挖掘其结构与性能之间的关系。本文回顾了近年机器学习应用于MOF筛选的研究。本文重点讨论了一些运用机器学习从大量结构中筛选出可用于CH4、H2和CO2等气体吸附分离与储存的MOF材料的工作。同时,我们梳理了当前MOF材料筛选工作中的研究思路和进展,并指出了机器学习在筛选MOF材料工作中面临的一些瓶颈和挑战。最后,对该领域的未来发展前景进行了展望。     

基于机器学习的烟雾检测算法去除固定干扰

烟雾是早期火灾最为突出的视觉表现,因此检测火灾烟雾在日常防火应用中具有重要的意义。针对目前视频烟雾检测算法中误报率高,适应性差等特点,在实施基本烟雾检测算法并在其基础上提出基于机器学习的视频烟雾去干扰方法,能很大程度上去除固定干扰物的干扰,提高了烟雾识别的正确率。实验证明,该算法可以较好、较快地检测出烟雾,并做出早期的预警工作,且具有检测精确等优点,很方便在现实中推广使用。     

结构状态识别与评估的机器学习方法研究进展

结构健康监测通过在大型工程结构上安装多类型传感器,感知、采集、传输和处理多元数据,已经成为保障重大工程结构安全的重要手段.随着结构健康监测系统的广泛应用,产生了海量的监测数据,如何通过监测数据识别和评估结构状态与安全是核心科学问题之一.由于土木工程结构的复杂性,状态识别与评估的核心难点是高维问题优化与求解,机器学习在高维问题求解方面具有很强的能力,为该问题的解决提供了新的思路.本文重点阐述机器学习在结构模态识别、损伤识别及可靠性评估等方面的研究进展,并讨论未来在该研究方向的发展趋势.     

FD-PINN:频域物理信息神经网络

物理信息神经网络(physics-informed neural network, PINN)是将模型方程编码到神经网络中,使网络在逼近定解条件或观测数据的同时最小化方程残差,实现偏微分方程求解.该方法虽然具有无需网格划分、易于融合观测数据等优势,但目前仍存在训练成本高、求解精度低等局限性.文章提出频域物理信息神经网络(frequency domain physics-informed neural network, FD-PINN),通过从周期性空间维度对偏微分方程进行离散傅里叶变换,偏微分方程被退化为用于约束FD-PINN的频域中维度更低的微分方程组,该方程组内各方程不仅具有更少的自变量,并且求解难度更低.因此,与使用原始偏微分方程作为约束的经典PINN相比, FD-PINN实现了输入样本数目和优化难度的降低,能够在降低训练成本的同时提升求解精度.热传导方程、速度势方程和Burgers方程的求解结果表明, FD-PINN普遍将求解误差降低1～2个数量级,同时也将训练效率提升6～20倍.     

激光诱导击穿光谱对U元素的定量分析

铀矿是核领域最重要的矿产资源之一,快速、有效勘探铀矿资源能促进核领域平稳、健康发展。激光诱导击穿光谱(LIBS)技术具备多目标元素现场快速检测的优点,能实现铀矿资源准确、快速的现场分析。本工作基于LIBS技术对铀矿中U元素进行了定量分析,对比了偏最小二乘(PLS)和随机森林(RF)两种机器学习算法的定量效果。结果显示,RF模型的定量线性相关系数为0.996,对三个验证集的相对误差分别是22.33%、12.79%和12.04%;PLS模型的定量线性相关系数为0.997,对三个验证集的相对误差分别是4.33%、6.63%和6.85%。对比结果表明,本研究中的PLS模型定量准确度更高,同RF算法相比,PLS算法更适用于铀矿中U的LIBS定量分析。     

求解大规模矛盾方程组的最小二乘支持向量机算法

房价预测、共享单车出租数量预测、空气污染情况预测等常涉及矛盾方程组求解,对其数值求解方法研究具有重要的理论意义与应用价值。当矛盾方程组规模过大时,用传统的最小二乘法求解,不仅计算量大,而且由于误差积累使最终结果的准确性不高。鉴于此,采用机器学习中的最小二乘支持向量机（least squares support vector machine,LS-SVM）算法求解大规模矛盾方程组,并分别针对线性、非线性、单变量、多变量矛盾方程组进行了数值求解。数值结果表明,数据类型和数据量的变化对结果的影响不大,因此只要选取适当的参数就可建立合适的模型,得到高精度的预测结果。