Evaporation residue cross sections of superheavy nuclei based on optimized nuclear data

This study proposes an optimized method for estimating atomic nucleus masses by combining the finiterange droplet model(FRDM) with the support vector machine algorithm. The optimization process significantly improves the accuracy of the FRDM by reducing the root mean square error from 0.606 to 0.253 MeV. The optimized mass data obtained from this method are then used to calculate the evaporation residue cross-sections(ERCSs) for fusion-evaporation reactions, employing the di-nuclear system model...     

基于KISSsoft齿面三维修形的某型电动汽车减速器噪声优化

为了降低某型电动汽车减速器噪声,应用KISSsoft软件平台,提出了一种齿形修形和齿向修形相联合的齿面三维修形方法。通过KISSsoft仿真及噪声、振动与声振粗糙度(NVH)试验,对所提方法进行了验证。研究结果表明:经过齿面三维修形后,一级齿轮副传递误差最大波动量降至0.918μm,降幅达14.04%;齿轮啮合时的接触应力最大值降至1 524.73 MPa,降幅达6.55%,齿轮啮合传递误差波动量及接触应力均得到有效改善。修形后噪声最大值为70.82 dB,降幅达15.04%,该型电动汽车减速器噪声得到有效优化。     

基于注意力机制和CNN-GRU组合网络的海底电缆运行状态预测方法

海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。本文在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出一种基于注意力机制和卷积神经网络-门控循环神经网络（CNN-GRU）海底电缆运行状态预测方法。首先,考虑在线监测、巡检指标、静态试验三类关键影响因素,建立海底电缆运行状态评估指标体系;然后,基于改进层次分析法及多层次变权评估思想构建海底电缆运行状态评估模型;最后,建立基于注意力机制和CNN-GRU组合神经网络模型,将历史运行参数及状态量化结果作为输入特征参量,实现海底电缆运行状态的演化趋势预测。算例分析表明,所提方法可有效预测海底电缆的运行状态,平均百分数误差低至1.04%,与全连接神经网络、CNN、CNN-长短期记忆神经网络(LSTM)等算法相比均具备更优的预测精度。