基于联合神经网络学习的中文电力计量命名实体识别

随着电力计量业务的不断扩展,迫切需要由业务信息、技术知识、行业标准及其内在联系所组成的电力计量知识图谱,为电网的决策和发展提供更为全面有效的支持。命名实体识别是构建知识图谱的基础。针对电力计量领域需要,结合中文分词技术特点,基于联合学习思想,提出了一种基于联合学习的中文电力计量命名实体识别技术。该技术联合CNN-BLSTM-CRF模型与整合词典知识的分词模型,使其共享实体类别和置信度;同时将2个模型的先后计算顺序改为并行计算,减少了识别误差累积。结果表明,在不需要人工构建特征的情况下,方法的正确率、召回率、F值等均显著优于以往方法。     

聚能装药载荷下混凝土破坏行为的实验研究北大核心CSCD

聚能装药侵彻混凝土靶板的研究主要集中在聚能装药的材料、结构、侵彻深度和侵彻孔径大小方面,少有涉及整个混凝土靶板的破坏行为,但混凝土靶的整体破坏行为对整个聚能装药的侵彻毁伤效能评估有至关重要的作用。为更好地判定聚能装药对混凝土靶体的破坏程度,开展了大口径聚能装药侵彻大尺寸混凝土靶的实验研究。对实验后的混凝土靶板进行剖切,从混凝土靶的内部剖切面观测不同位置处混凝土靶的损伤程度,并对各个位置处的孔洞直径进行测量,获取孔洞的完整尺寸。在过孔洞中心的同一截面上切割边长为10cm的标准混凝土试件,并对其进行抗压强度测试,根据测试结果评估混凝土靶板的整体破坏行为,进而得到混凝土靶在聚能装药载荷下的破坏行为。测试结果表明,混凝土靶板的背板拉伸破坏半径约为110cm;以孔洞中心为轴,半径小于100cm内的混凝土损伤较严重,边界块体强度约为原始强度的40%;半径在100-140cm范围内混凝土的损伤不大,混凝土试件的强度约为原始强度的72%;当半径大于140cm后,聚能装药对混凝土的影响较弱,混凝土几乎未出现损伤。