关于论文中的图

1.图要精选,应具有自明性,切忌与表及文字表述重复。2.图要精心设计和绘制,要大小适中,线条均匀,主辅线分明。3.坐标图标目中的量和单位符号应齐全,并分别置于纵、横坐标轴的外侧。4.图中的术语、符号、单位等应与表格及文字表述所用的一致。     

凌庄子水厂保水堰流量系数试验

凌庄子水厂蓄水池进水口处有一保水堰,为非标准薄壁堰,不能使用已有堰流公式对其过流量进行准确计算。为了得出较为精确的过流流量,按照重力相似准则制作几何比尺为1∶5的模型进行试验研究。在已有自由出流公式的基础上,对自由出流流量系数进行修正并对淹没情况下流量变化过程进行研究。对该非标准堰自由出流流量系数的实测值与经验值进行分析比较,发现堰板槽降低了实际自由出流过流能力。淹没出流的流量系数主要与下游尾水位有关,试验中形成的淹没式堰流受实际堰型尺寸影响,下游尾水位和堰上水位近似相等,不完全适用已有淹没出流流量公式,通过试验给出了修正淹没系数随h/p的变化关系。结果表明利用堰前、堰后水位初步计算过流流量是可行的,可为该工程提供参考,也可为实际工程中非标准矩形堰的流量计算提供思路。     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

供水管网DMA优化分区设计方案

实施独立计量分区(district metered area,DMA)是辅助供水管网管理和漏损识别的重要手段.图划分算法是进行DMA分区的方法之一,常规图划分算法应用中,存在解空间受限、分区后原水流状态易发生较大改变、形成较多串联分区(对流量计算不利)的缺点.在常规图划分算法基础上进行了改进:粗化阶段按照特定规则匹配、合并非输水干管两端的节点,形成简化的管网拓扑结构;分区阶段得到管网初步分区方案;细化阶段提出基于贪心算法、枚举算法、蒙特卡洛算法的分区调整方法,结合改进的仪表安置方法、水力模拟、优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS),对分区方案进行调整.将该方法应用于YX市供水管网,成功进行了分区.     

大规模多状态计算系统的容错性能分析

针对异构计算节点组成的大规模多状态计算系统的容错性能分析问题，提出了一种计算系统容错性能的评估方法。该方法采用自定义的两级容错性能形式化描述框架进行系统描述，通过构造多值决策图（Multi-value Decision Diagram，MDD）模型对系统进行容错性能建模，并基于构造的模型高效地计算出部件故障的条件下计算系统在特定性能水平上运行的概率，减少了计算的冗余性。实验结果表明，该方法在模型的大小和构建时间上均优于传统方法。该方法的提出将对系统操作员或程序设计者具有重要意义，使其确保系统适合预期应用。     

管道式油气水高效分离技术研究获进展

随着油气田开采时间的增长,采出液中含水率逐年增加,部分油田的含水率已达到95%以上,给目前已有的采出液处理工艺带来新的挑战。中国科学院力学研究所研发的管道式油气水高效分离技术,有效解决了目前油气水处理系统所面临的难题,可适用于陆地、海洋平台及井下等不同条件。管道式油气水高效分离技术主要由柱型旋流分离器、导流片型管道式分离器、T型多分岔管路和动态CFU气浮选等组成,突破了传统的采用大型储罐进行油气水分离的作法,使分离效率成倍提高。这种小型、紧凑、高效、快速的分离系统,由于工艺流程简单高效,且可在相对较低