基于卷积自编码器的拓扑优化设计

近些年来随着深度学习技术的发展,利用数据驱动技术加速拓扑优化成为可能。文中基于图像处理的思想,利用卷积自编码器学习有限元网格与固体各向同性材料密度场之间的特征表示,将拓扑优化的过程表示为一个端到端的深度学习模型。随后利用自编码器内部的反向传播和传统的有限元求解器,在拓扑优化的迭代过程中建立在线学习机制对自编码器模型的参数进行更新。最后通过数值研究和设计实例,证明了基于卷积自编码器的拓扑优化框架具有良好的优化效果和可扩展性,能够有效处理不同载荷和边界条件的设计问题。     

基于有限元的高效可调式负压抽屑装置结构优化

利用Pro/E建立可调式负压抽屑装置的三维虚拟样机。对可调式负压抽屑装置结构进行了优化,改善了其密封性能;对影响负压效果的因素做了研究,给出了合理的加工数据;并对喷嘴做了有限元分析,选择了合理的壁厚参数。     

基于组合半监督的增量支持向量机学习算法*

增量支持向量机(ISVM)由于在每次增量学习过程中无法选择最有效的增量样本,导致模型的泛化性能较差.针对此问题,文中提出基于组合半监督方式的增量支持向量机学习算法(ICS³VM).通过将大量的无标记样本分批进行组合标记以选择最优的增量样本,即每次选择位于分类间隔内部的最有价值样本加入训练集,以此修正模型.同时选择分类间隔最大的一组标记作为最终标记,确保标记的准确性.在标准数据集上的实验表明,ICS³VM能以较高的学习效率提高模型的泛化性能.     

醌类化合物的电化学合成研究进展

综述了苯醌、萘醌、蒽醌和菲醌类化合物,通过不同的芳烃及其衍生物进行电化学合成的方法和工艺,详细地介绍了直接电化学氧化和间接电化学氧化的方法来合成各种醌的工艺条件。其中,主要以Ce³⁺/Ce⁴⁺、Cu⁺/Cu²⁺、Cr³⁺/Cr⁶⁺盐以及KBr为间接电化学氧化的媒介。对比了化学法和电化学法制醌类化合物的利与弊。阐述了电化学合成方法存在的问题和今后要努力的方向。     

3A分子筛脱水法制备2,3-二氢吡喃

2,3-二氢吡喃在有机合成反应中是一个常用的羟基保护基试剂。这个化合物一般是用四氢糠醇在300～340℃经活化的氧化铝脱水、重排制备的。Wilson在研究四氢糠醇的脱水、重排反应中曾以氧化铝-氧化硅(1∶2)的混合物作催化剂制备了2,3-二氢吡喃。我们用3A分子筛代替氧化铝在类似的条件下也制备了这个化合物,收率与氧化铝法在同一水平。但是反应温度稍低,在280～300℃,而且用分子筛填装反应管和分子筛回收再生都比较简单,因此这个改进法适于在实验室中制备2,3-二氢吡喃,同时也可用于试剂生产~*。     

石墨烯/环氧树脂复合涂层的γ射线辐照损伤及其腐蚀防护性能

用硅烷偶联剂对石墨烯表面进行修饰,制备石墨烯/环氧树脂复合涂层。通过交流阻抗(EIS)和塔菲尔极化曲线(Tafel slope)等电化学方法分析复合涂层经伽马射线辐照后的腐蚀防护性能。采用电子自旋共振(ESR)和傅里叶红外光谱分析仪(FTIR)等测试复合涂层的γ射线辐照损伤,探索了石墨烯在环氧树脂中抗辐照损伤的作用机理。Tafel结果显示复合涂层经280 kGy辐照后,腐蚀电流为6.140×10~(–9) A/cm~2,而纯环氧树脂涂层的腐蚀电流则为1.340×10~(–8) A/cm~2,说明石墨烯可以使复合涂层保持较好的腐蚀防护性能。ESR分析表明,复合涂层中的石墨烯可以降低环氧树脂基体在γ射线辐照过程中产生的过氧自由基,表明石墨烯可有效吸收辐照过程中的自由基。辐照前后复合涂层的FT-IR图谱没有发生明显变化,说明石墨烯有效降低了伽马射线对环氧树脂的结构损伤。因此,可以认为石墨烯能够减缓环氧树脂在高能辐照环境中的老化,从而延长其使用寿命。     

基于增量学习的非平衡SVM分类方法

针对传统支持向量机（SupportVectorMachine,SVM）无法有效处理非平衡分类的问题,提出一种基于增量学习的非平衡SVM分类方法（ImbalancedSVMBasedonIncrementalLearning,ISVM_IL）。该方法首先提取多数类样本中的部分样本,与少数类样本合并参与训练得到初始分类器,然后根据分类器与其他样本的关系,选择距离分类器最近的样本作为增量样本加入训练集参与训练,从而减小实际参与训练的负类数据规模,提高非平衡分类的性能。实验结果表明,本文提出的ISVM_IL方法可以有效提高非平衡分类中重要的少数类样本的分类性能。     

采用划分融合双向控制的粒度支持向量机

粒度支持向量机（granular support vector machine,GSVM）引入粒计算的方式对原始数据集进行粒度划分以提高支持向量机（support vector machine, SVM）的学习效率。传统GSVM采用静态粒划分机制,即通过提取划分后数据簇中的代表信息进行模型训练,有效地提升了SVM的学习效率,但由于GSVM对信息无差别的粒度划分导致对距离超平面较近的强信息粒提取不足,距离超平面较远的弱信息粒被过多保留,影响了SVM的学习性能。针对这一问题,本文提出了采用划分融合双向控制的粒度支持向量机方法（division-fusion support vector machine,DFSVM）。该方法通过动态数据划分融合的方式,选取超平面附近的强信息粒进行深层次的划分,同时将距离超平面较远的弱信息粒进行选择性融合,以动态地保持训练样本规模的稳定性。通过实验表明,采用划分融合的方法能够在保证模型训练精度的条件下显著提升SVM的学习效率。     

NH_4ZnPO_4晶体结构Rietveld法精修

本文详细阐述用X射线粉末衍射及Rietveld法研究NH_4ZnPO_4晶体结构精修的实验方法。通过对85个结构模型参数、样品特性参数和仪器对衍射谱图的影响参数进行精修,进一步说明在精修过程中应注意的问题。该样品为单科晶系,其空间群为:P2_1,Z=4,精修后的晶胞参数为:a=8.7839(13)A,b=5.4432(21)A,c=8.9543(13)A,β=90.318(38)°,v=428.126(14)×10~(-10)m,Dx=2,830g/cm~3,品质因子:F(20)=27,M(20)=39,结构吻合因子:Rp=16.98％,Rwp=21.25％,R_(EXP)=16.18,S=1.3。     

基于微裂纹统计模型的PBX力学行为

将微分形式的Visco-SCRAM模型简化为单轴应力下的增量形式,用其拟合出PBX在不同应变率的单轴拉伸与单轴压缩下的应力应变曲线,然后根据微裂纹平均半径的变化分析其相应的细观物理过程,并分析了黏性对PBX力学性能的影响.结果表明,Visco-SCRAM模型能反映PBX强度与模量的拉压不对称性和应变率效应.破坏时的微裂纹平均半径随应变率的增大而增大,且该值在拉伸加载下明显小于压缩的情况.在一定范围内,随着黏性的减小,模量和强度增大,而破坏应变减小.