通过加快数据读取速度应对大批量数据读入超时问题的研究

信息学奥赛旨在推动普及、开阔学生的视野、拓展学生的知识面、培养学生的计算思维.信息学奥赛题目中,经常会遇到一些大批量数据的读入问题,很多初学者使用scanf标准数据读入方法,发现数据还没有完全读入,就已经超出题目的运行时限,导致得分率很低.为此,需要探究解决读取数据时间过长的问题.     

玄武岩纤维布厚度的测定方法研究

总结了玄武岩纤维(BFRP)布厚度的两种定义,且分析了这两种厚度的差别及其不同的应用范围.随后给出了这两种厚度的不同测定方法,并采用该方法对市场上7组BFRP布产品的厚度进行测量试验,为市场规范BFRP布厚度的测定提供了参考依据和数据支持.     

气藏平均地层压力跟踪计算新方法

平均地层压力是产能评价和动态分析的基础，准确、快速获取平均地层压力对高效开发气藏意义重大。基于地层压力随时间变化的规律，分析了平均地层压力的变化规律。研究结果表明：平均地层压力等效点仅随时间发生改变，平均地层压力的下降速率等于或者近似等于井底流压的下降速率。从封闭弹性驱动气藏的物质平衡方程出发，考虑偏差系数和井底流压随平均地层压力的变化，推导建立了平均地层压力跟踪计算新方法，根据生产数据可迭代计算平均地层压力。方法验证结果显示，采气速度和采出程度共同影响模型的计算结果。应用实例表明，跟踪计算法与压力恢复试井和物质平衡法之间的相对误差均较小，满足工程计算精度要求，且跟踪计算法不需依托生产测试数据，节约了测试费用，避免了测试占产。     

FE-SEA方法在平台支持船噪声预报中的应用

平台支持船由于作业需要通常配备有动力定位系统,其在侧推工况下舱室噪声超标较为严重。针对这个问题采用计算流体力学(CFD)方法,得到侧推螺旋桨作用在导管上的脉动压力,并将时域计算结果转换成噪声计算的激励条件。采用有限元(FE)与统计能量分析(SEA)混合方法建立船体中频段FE-SEA耦合模型并建立船体高频段SEA模型,对某65 m AHTS船侧推工况下全频段(63 Hz~8000 Hz)舱室噪声进行预报,分析该船噪声分布规律及主要影响因素。并建立起全船的SEA模型,在中频段对比SEA与FE-SEA两种方法得到的舱室声压级频谱曲线,验证了使用混合模型的必要性。     

视准线法在乌江站水平位移观测中的应用

文章以驷马山引江工程乌江抽水站为例,介绍了视准线法在大型泵站水平位移观测中的应用.     

半煤岩巷道联合支护方案与应用

以寺河矿南区回风大巷为工程背景,在分析巷道地质条件的基础上,通过理论计算分析了锚杆及锚索的主要支护参数,并确定了锚杆及锚索的型号;结合以往的生产实践经验,确定了巷道联合支护方案.实践表明,巷道支护方案合理,可以满足安全生产要求.     

GH4169合金低压涡轮机匣异形环锻件胀形工艺

为了解决低压涡轮机匣异形环锻件轧制成形精度低、余量大、材料利用率低、周期长等问题,采用数值模拟与工艺试验试制相结合的方法,研究了GH4169合金低压涡轮机匣异形环锻件胀形工艺。模拟研究阐明了胀形变形量对低压涡轮机匣轧制成形锻件的应力、应变、温度分布及均匀性的影响规律,综合考虑建议胀形变形量取1.5%较为合理;胀形过程的工艺试制研究表明,通过胀形工艺对轧制成形的GH4169合金低压涡轮机匣异形环锻件进行整形,可显著降低锻件的椭圆度、提高锻件的尺寸精度,减小锻件余量并提高余量均匀性,提高材料利用率,同时可有效提高锻件的力学性能及其均匀性。锻件余量均匀性的提高也可有效减小低压涡轮机匣零件的机加工变形。     

对称极坐标牛顿法潮流的直角坐标解法

为综合利用极坐标牛顿法潮流方程数少、雅可比矩阵J元素少以及直角坐标牛顿法中没有三角函数计算的特点,并克服极坐标牛顿法潮流J阵元素的不对称使其计算速度不理想的情况,提出一种对称极坐标牛顿法潮流的直角坐标解法.主要内容为,建立结构不完全对称的子阵形式的极坐标J阵,通过子阵建立子阵元素间的对应关系;拆分J阵元素的计算,建立子阵元素的部分对称关系;对J阵元素等计算公式进行三角变换,并按"二行+二列"的对称方式计算J阵元素;用四角规则而不是消元计算公式对J阵元素消元;将取倒的对角元素作为规格化因子以减少除法计算.新方法不但可实现J阵元素的部分对称计算,还可大量减少三角函数的运算以及消元过程中的除法运算,且无需计算公式直接完成消元计算.以IEEE-118节点系统为例,新方法生成J阵速度可提高约90％以上,潮流计算速度可提高约30％,并极利于编程.     

基于NR-Transformer的集群作业运行时间预测

高性能集群的作业调度通常使用作业调度系统来实现，准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式，在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率，考虑先对集群作业日志进行聚类，将作业类别信息添加到作业特征中，再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上，根据与预测目标的相关性、特征的完整性和数据的有效性，从历史日志数据集中筛选出7维特征，并按作业运行时间的长度将其划分为多个作业集，再对各作业集分别进行训练和预测。实验结果表明，相比于传统机器学习和BP神经网络，时序神经网络结构有更好的预测性能，其中NR-Transformer在各作业集上都有较好的性能。