格点QCD基础求解器及其异构计算实现的性能优化

格点量子色动力学(格点QCD)是研究夸克、胶子等微观粒子间相互作用的重要理论和方法. 通过将时空离散化为四维结构网格, 并将量子色动力学的基本场量定义在网格上, 让研究人员可以使用数值模拟方法, 从第一性原理出发研究强子间相互作用和性质, 但这个过程中的计算量极大, 需要进行大规模并行计算. 格点QCD计算的核心基础为格点QCD求解器, 是程序运行主要的计算热点模块. 本文研究在国产异构计算平台下格点QCD求解器的实现与优化, 提出一套格点QCD求解器的设计实现, 实现了BiCGSTAB求解器, 显著降低了迭代次数; 通过对奇偶预处理技术, 降低了所求问题的计算规模; 针对国产异构加速卡的特点, 优化了Dslash模块的访存操作. 实验测试表明, 相比优化前的求解器获得了约30倍的加速比, 为国产异构超算下格点QCD软件性能优化提供了有益的参考价值.     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

基于改进残差特征蒸馏的轻量级超分辨率网络

基于深度学习的图像超分辨率算法通常采用递归的方式或参数共享的策略来减少网络参数，这将增加网络的深度，使得运行网络花费大量的时间，从而很难将模型部署到现实生活中。为了解决上述问题，本文设计一种轻量级超分辨率网络，对中间特征的关联性及重要性进行学习，且在重建部分结合高分辨率图像的特征信息。首先，引入层间注意力模块，通过考虑层与层之间的相关性，自适应地分配重要层次特征的权重。其次，使用增强重建模块提取高分辨率图像中更精细的特征信息，以此得到更加清晰的重建图片。通过大量的对比实验表明，本文设计的网络与其他轻量级模型相比，有更小的网络参数量，并且在重建精度和视觉效果上都有一定的提升。     

90 t/h四角切圆燃烧锅炉优化调整及试验研究

某炼油厂90 t/h自然循环燃气锅炉燃烧器低氮改造后，运行调整总是不太理想。在40%～90%负荷工况下，出现炉膛和过热器的高温/低温段、省煤器两侧烟气温度（烟温）偏差大，NO_x、氧含量及颗粒物排放浓度较高的问题。经过分析，造成该现象的主要原因是4个燃烧器配风不均。针对此问题，对4个燃烧器配风进行了优化调整，优化后的锅炉省煤器α/β侧烟气温差较原来减少30℃,炉膛内部两侧温差较原来减少9℃,过热器高温/低温段温差较原来减少40℃/30℃,各侧点温度α侧变化较大，β侧变化较小。NO_x平均质量浓度下降了近100 mg/m³;颗粒物质量浓度由16.3 mg/m³降低到5.8 mg/m³。有效地解决了锅炉两侧燃烧偏烧和氧气分布不均匀及NO_x、颗粒物排放浓度较高的问题。     

大豆蛋白纳米纤维对铁纳米颗粒的稳态化作用

为明确大豆蛋白纳米纤维的结构形成和扩宽铁强化剂的食品工业应用，以大豆分离蛋白（soy protein isolate，SPI）为原料，通过5 h的酸热处理制备纳米纤维（soy protein isolate fibrils，Fib SPI），系统研究纤维形成前后蛋白结构的变化，并进一步制备铁纳米颗粒（iron nanoparticles，Fe NPs），探究Fib SPI对铁的稳态化作用。研究结果表明：在酸热处理过程中，SPI产生大量的β-折叠结构，其与硫磺素T结合，显示出增强的荧光强度；此外，7S组分先发生降解，利于纤维成核形成，随后11S逐渐被水解，促进纤维生长；同时水解产生大量的小肽组分，提高了产物的还原力。研究进一步利用Fib SPI递送铁纳米颗粒（Fe NPs），发现与原始SPI相比，铁纳米颗粒可在Fib SPI原位形成胶体稳定的铁-大豆蛋白纳米纤维复合物（Fe FibSPI），并以Fe（II）形式存在，其对乳液体系色泽及稳定性的影响较硫酸亚铁或氯化铁小。该研究可为构建新型植物基铁强化剂递送体系提供理论和方法指导。