FAE爆炸场超压与威力的实验研究

利用现场测试系统动态灵敏度标定技术,分别等精度测试了FAE和TNT爆炸场峰值超压。在此基础上获得了各自的爆炸波峰值超压随传播距离的拟合曲线和TNT当量比。结果表明:FAE爆炸场超压分布规律与TNT有显著区别,前者属于大体积云雾爆炸,爆炸场可划分为云雾爆轰区、云雾边缘区和冲击波作用区;在云雾爆轰区,超压平均值在2.6MPa左右,在小于2/3云雾半径的范围内比同质量的TNT低,在大于2/3的云雾半径范围则显著大于TNT;在冲击波作用区,环氧丙烷燃料的FAE爆炸超压约是TNT爆炸效果的5倍,超压均呈衰减趋势,但FAE衰减比TNT缓慢许多。     

Mindlin中厚板的辛求解方法

在Mindlin板混合能函数的基础上,通过引人混合变量及对混合能变分原理的修正,在全状态下建立了Mindlin板的Hamilton正则方程,进而采用直接法给出了两对边简支板的解析解,并通过具体例题说明了方法的有效性.     

基于离散余弦变换和支持向量机的多光谱纹理图像的茶叶分类研究

提出一种利用多光谱图像纹理特征进行茶叶分类的新方法。图像由MS3100-3CCD光谱成像仪获得,光谱成像仪提供近红外(NIR)、红色(R)和绿色(G)的3个波段的图像。首先对原图像的NIR波段图像提取均方值,然后应用离散余弦变换算法,构造出8个带通和高通滤波器对NIR通道的图像进行滤波并提取均方差值,最后应用支持向量机技术,分别对原图像的NIR提取的均方差值和用8个滤波器滤过的图像提取的均方差值进行建模。茶叶样本总共为240个,训练和预测各为120个,每种训练样本和预测样本各为20个。结果表明经过8个滤波器处理图像的识别率为100%,而没有经过滤波处理的纹理图像识别率只有73.33%,说明离散余弦变换算法设计的滤波器是一种非常有效的纹理识别技术,此实验同时也为茶叶的分类提供一种快速和无损的新方法。     

PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大,LIBS定量分析精度不佳等问题,采用粒子群算法对LSSVM进行优化,提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱,每个浓度样品在不同点采集20组数据,将其中17组数据设为训练集,3组数据设为预测集,用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响,随着浓度的增加,预测值逐渐低于实际值,LSSVM定标模型的拟合程度较低,无法达到实验要求,模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化,得到最佳的参数组合,Pb元素为(8 096.8, 138.865 7),Cr元素为(4 908.6, 393.563 5),用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM,PSO-LSSVM定标模型的精确度更高,Pb和Cr元素的R2提高到了0.982 8和0.985 0,拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%,预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%,模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响,提高分析结果的精确度与稳定性。     

悬臂梁中开闭裂纹的损伤识别

利用裂纹诱导弦挠度函数,建立了悬臂Euler-Bernoulli中开闭裂纹位置、深度、初始张开角等损伤参数的识别方法。为此,首先将梁中开闭裂纹等效为单向扭转弹簧,给出了考虑裂纹缝隙效应的裂纹梁等效抗弯刚度,并得到悬臂Euler-Bernoulli开闭裂纹梁弯曲挠度的显式闭合解及裂纹诱导弦挠度函数,证明了裂纹诱导弦挠度的分段线性函数。其次,基于单向扭转弹簧的性质,建立了通过多步加载进行梁中开闭裂纹参数及其上下侧属性的识别方法。最后,通过数值算例验证了本文所建立的开闭裂纹损伤识别方法的适用性和可靠性,考察了裂纹分布位置、深度和初始张开角以及裂纹识别区间和挠度测量误差等参数对识别结果的影响,结果表明:当裂纹处于张开状态时,裂纹处裂纹诱导弦挠度斜率改变量随着施加荷载的增加而增加;当裂纹闭合时,其裂纹诱导弦挠度斜率改变量将保持为常量;裂纹损伤参数的识别误差随测量误差的增加而增加,但整体识别结果具有较高的精度,较好的鲁棒性。     

双旋转附属圆柱对主圆柱尾流控制的影响

基于Fluent软件平台,采用数值模拟方法对非稳态圆柱体结构尾流流动特性进行了研究。对在Re=50～200范围内,双旋转附属圆柱的转速对主圆柱体尾流流动特性的影响进行了分析。研究结果表明:随着附属圆柱旋转速率的增加,主圆柱体表面所受阻力系数平均值与均方根值、升力系数均方根值均会减小。同时,旋转速率的变化对柱体结构表面压力分布的影响显著,压力系数在附属圆柱的位置产生了跳跃性变化。另外,当附属圆柱转速达到临界值时,尾流涡街变窄,涡脱落现象消失,并且系统的能量效率到达最佳状态。     

计算最小奇异组的一个精化调和Lanczos双对角化方法

在很多实际应用中需要计算大规模矩阵的若干个最小奇异组.调和投影方法是计算内部特征对的常用方法,其原理可用于求解大规模奇异值分解问题.本文证明了,当投影空间足够好时,该方法得到的近似奇异值收敛,但近似奇异向量可能收敛很慢甚至不收敛.根据第二作者近年来提出的精化投影方法的原理,本文提出一种精化的调和Lanczos双对角化方法,证明了它的收敛性.然后将该方法与Sorensen提出的隐式重新启动技术相结合,开发出隐式重新启动的调和Lanczos双对角化算法(IRHLB)和隐式重新启动的精化调和Lanczos双对角化算法(IRRHLB).位移的合理选取是算法成功的关键之一,本文对精化算法提出了一种新的位移策略,称之为"精化调和位移".理论分析表明,精化调和位移比IRHLB中所用的调和位移要好,且可以廉价可靠地计算出来.数值实验表明,IRRHLB比IRHLB要显著优越,而且比目前常用的隐式重新启动的Lanczos双对角化方法(IRLB)和精化算法IRRLB更有效.     

Quantitative Analysis of Solar Photovoltaic Panel Performance with Size-Varied Dust Pollutants Deposition Using Different Machine Learning Approaches

In this paper, the impact of dust deposition on solar photovoltaic (PV) panels was examined, using experimental and machine learning (ML) approaches for different sizes of dust pollutants. The experimental investigation was performed using five different sizes of dust pollutants with a deposition density of 33.48 g/m² on the panel surface. It has been noted that the zero-resistance current of the PV panel is reduced by up to 49.01% due to the presence of small-size particles and 15.68% for large-size (ranging from 600 µ to 850 µ). In addition, a significant reduction of nearly 40% in sunlight penetration into the PV panel surface was observed due to the deposition of a smaller size of dust pollutants compared to the larger size. Subsequently, different ML regression models, namely support vector machine (SVMR), multiple linear (MLR) and Gaussian (GR), were considered and compared to predict the output power of solar PV panels under the varied size of dust deposition. The outcomes of the ML approach showed that the SVMR algorithms provide optimal performance with MAE, MSE and R² values of 0.1589, 0.0328 and 0.9919, respectively; while GR had the worst performance. The predicted output power values are in good agreement with the experimental values, showing that the proposed ML approaches are suitable for predicting the output power in any harsh and dusty environment.     

主成分分析-支持向量机用于肝病分类模型

将主成分分析(PCA)用于肝功能检测数据特征提取,然后用支持向量机(SVM)对乙肝、丙肝、肝硬化、正常人样本建立分类模型。采用高斯径向基函数(RBF)为核函数,调节核函数参数C及σ以建立最佳支持向量机模型。该模型对训练集的识别率为99.3%,对预测集的预测率为96.4%。结果表明:PCA-SVM法建立的肝病分类模型能较好的区分乙肝、丙肝、肝硬化及正常人,且分类效果优于传统支持向量机及人工神经网络(ANN)分类模型。     

基于人工神经网络研究芳胺喹唑啉衍生物的抗胃癌活性

基于分子电性距离矢量(M1)表征21个芳胺喹唑啉衍生物的分子结构,并与其对人胃癌细胞的抗癌活性(pI)关联.通过最佳变量子集回归方法建立上述化合物抗胃癌活性的三参数(M15、M18、M82)定量构效关系模型.其交叉验证系数(R2cv)、非交叉验证系数(R2)依次为0.386和0.737.通过R、R2cv.、VIF等检验...