气动弹片对垂直轴风力机性能影响研究

片对垂直轴风力机气动性能的影响并分析了其流动机理。结果表明：气动弹片在高尖速比下可显著抑制流动分离并改善其动态失速特性，功率系数得到极大提升；切向力和转矩系数在气动弹片作用相位角范围内，均有一定提高，而在其它相位角内，风力机性能不受影响。     

俯仰策略对两台串列风力机功率输出影响研究

为增加风电场总输出功率，基于大涡模拟(Large Eddy Simulation,LES)方法，采用致动线(Actuator Line,AL)技术，通过swak4Foam产生指数率风剪切，利用OpenFOAM对两台串列布置的5 MW风力机风电场进行不同叶轮俯仰数值模拟，对比各工况下风电场总输出功率，并结合流场分布云图分析总输出功率存在差别的内在原因。结果表明：风电场上游风力机尾迹会严重减弱下游风力机性能；俯仰策略可有效提升风电场总输出功率；俯仰角从0°增大/减小到±35°过程中，呈现出上游风力机功率先增后减、下游风力机功率持续增加的规律，风电场总输出功率升至极大值后开始下降；正俯仰角时风电场总输出功率较负俯仰角时的总输出功率更高。     

半潜式平台漂浮式风力机阵列平台普通海况动态响应研究

为保证漂浮式风电场在环境载荷复杂的海洋环境中稳定正常工作，以半潜式平台为研究对象，建立了基于Umarine Semi Submersible平台的阵列式风电场。通过FORTRAN程序语言求解气动载荷，采用水动力学软件AQWA，基于辐射/绕射理论并结合有限元方法，研究了风波耦合作用下半潜式平台时频动态响应。结果表明：阵列半潜式平台漂浮式风电场可有效提升平台抗首摇、横摇能力；固定悬链线可降低平台横荡运动幅值与纵荡响应；共用系泊系统的阵列平台机舱振动稳定性更佳。     

大数据驱动的离散制造车间生产过程智能管控方法研究

在智能制造背景下,离散制造企业对利用大数据技术提高车间生产管控水平提出了迫切的需求。研究大数据驱动的离散制造车间生产过程智能管控方法,在明确离散制造车间特点与管控需求的基础上,分析了传统方法的局限性和大数据方法的优势,进而提出大数据驱动的离散制造车间生产过程管控总体框架,以制造大数据的"采集-处理-分析-服务"为主线开展研究。在"进度预测-瓶颈发现-异常溯源-智能决策"的生产过程闭环管控机制中,分别提出：基于堆叠稀疏自编码机的生产进度在线预测技术,基于平行门控循环单元的生产瓶颈漂移发现技术,基于密度峰值-模糊C均值的生产异常溯源分析技术和基于多智能体强化学习的生产过程智能决策技术。最后,以某航空企业典型离散制造车间作为对象,对所提出的大数据分析与智能决策方法进行了原型系统开发和应用验证。     

浅谈在科学课程教学中培养学生科学能力

科学能力应是科学素质教育的核心。在科学教学中培养学生科学能力，主要有：观察能力与实验能力、思维（包括创新）能力、自学能力、理解能力、表达能力和合作能力等六个方面的能力培养。     

苎麻籽总黄酮含量测定方法比较研究

目的 比较苎麻籽总黄酮含量的测定方法。方法 以芦丁和槲皮素为对照品, 比较直接测定法、NaNO2-Al3+-NaOH法、AlCl3法3种比色方法下苎麻籽(70%乙醇提取液)的紫外-可见光谱图, 并通过精密度、稳定性、干扰试验、加标回收率试验对所选方法进行评价。结果 芦丁和槲皮素均不适合作为直接测定苎麻籽总黄酮的对照品; NaNO2-Al3+-NaOH法最大吸收波长为500 nm, 但受某些非黄酮类物质干扰, 使得该方法下的总黄酮含量测定值虚高; AlCl3法以芦丁为对照品, 测定波长为401 nm, 在0.004~0.02 mg/mL范围内浓度与吸光度值成良好的线性关系, 相关系数r2=0.9998, 该法受干扰小, 精密度高, 平均回收率为(99.46±4.16)%, 显色后在20~60 min内吸光值稳定。结论 AlCl3法简单可行, 适用于苎麻籽提取物中总黄酮含量的测定。     

地方农业院校的 《食品理化分析技术实验》教学与改革

《食品理化分析技术实验》是食品学院必修课程之一,是一门用于分析食品中的营养成分、添加剂以及有害物质的实验课程。本文结合地方农业院校的特点,分析现阶段《食品理化分析技术实验》存在的问题,提出地方农业院校应该结合"农"和"地方特色"的特点,改革《食品理化分析技术实验》课程,开展探索实验与综合大实验,并应用PBL教学模式,培养学生的学习热情,以期获得更好的教学效果。     

近红外光谱结合化学计量法快速无损鉴别燕麦

提出了一种基于近红外光谱技术与化学计量学的燕麦无损鉴别方法。通过近红外光谱仪测定了5个品牌与劣质燕麦的光谱曲线,利用连续小波变换方法对光谱进行预处理,然后基于标准偏差与相对标准偏差的变量筛选方法筛选出具有代表的15个波数点,最后结合主成分分析法对不同燕麦样品快速鉴别。结果表明:连续小波变换可以有效地消除光谱中的背景干扰,提取光谱有效信息,波长筛选方法可以大大提高主成分分析结果的鉴别能力。通过结合近红外光谱分析技术与化学计量学方法,可对中国国产品牌、进口品牌和劣质燕麦进行准确鉴别。     

基于深度学习的翼型气动弹片流场参数预测

弹片是解决翼型流动分离的重要技术手段,合理的弹片参数对翼型表面压力分布尤为重要。基于数据驱动的深度学习方法与计算流体力学(Computational Fluid Dynamics, CFD)相结合,可快速有效地完成对复杂流场特征的识别与提取。本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的翼型表面压力分布预测方法,通过提取流场的尾流速度、压力等流动特征构建翼型表面压力分布的预测模型。首先,通过数值模拟计算了8种不同抬起角度的NACA 0012弹片翼型的流场;其次,采用提取的流场数据建立CNN预测模型;最后,将预测值和CFD计算值进行对比。结果表明：基于CNN的预测模型对翼型表面压力系数分布有较高的预测精度,其中尾流速度模型在弹片抬起角度为15°时的预测均方根误差仅为0.1,说明尾流速度中包含丰富的流场信息。