橡胶颗粒抑制蒸养混凝土热损伤机制

通过向蒸养混凝土中掺入橡胶颗粒制备蒸养橡胶混凝土来抑制蒸养过程中混凝土产生的热损伤。通过试验测试了蒸养橡胶混凝土的抗压强度；建立了考虑界面过渡区的橡胶混凝土随机骨料模型，基于ABAQUS，模拟研究了橡胶颗粒对降温阶段混凝土温度损伤应力的影响，从细观角度研究橡胶颗粒抑制蒸养混凝土中微裂纹发展规律，并将温度损伤应力作为初始缺陷，模拟了橡胶混凝土的抗压性能，验证了模拟结果的可靠性；通过压汞(Mercury intrusion porosimetry,MIP)测试研究了橡胶颗粒对蒸养混凝土孔结构的影响；通过超景深显微镜研究了橡胶与水泥石之间的结合情况。研究结果表明：橡胶颗粒掺入可以抑制蒸养混凝土的热损伤，减少强度损失。橡胶颗粒可以有效降低蒸养混凝土试件的总孔隙率，蒸养橡胶混凝土试件有害孔径较未掺加橡胶颗粒的普通蒸养混凝土下降了3.1%，同时改善了橡胶和水泥基体的粘结状况。     

基于零信任的私有云终端安全接入框架

近年来,企业陆续上云,基于安全、可控的因素,中大型企业、研发型企业逐步开展了私有云建设,依托私有云降本增效,赋能企业发展。在私有云环境下,各分支机构可以基于私有云应用开展工作,但各分支机构终端面临复杂的终端环境,如多种类型终端、终端接入多网络、终端在多区域使用、终端访问不同等级应用。文中针对传统终端安全解决方案、SDP解决方案在4种场景下的安全能力覆盖情况,分析了无法解决的场景,并依托零信任的思想进行了进一步研究,提出了基于沙箱的安全方案以及解决多终端接入私有云问题的新方法。     

烯烃催化裂解装置优化运行探讨

介绍烯烃催化裂解装置主要工艺流程，分析催化裂解反应切换周期、反应温度、塔系回流比对装置运行的影响，对烯烃催化裂解装置优化运行提出改进建议。通过对比分析认为反应器最佳切换周期为5 d；反应后期操作温度提高5～10℃可提高双烯收率；脱丙烷塔回流比调整为2.57，脱丁烷回流比调整为0.72最为经济。     

感应电机弱磁区转矩输出与电流动态性同步提升控制策略EI北大核心CSCD

弱磁控制技术是感应电机高速驱动的核心技术之一,传统弱磁方案存在直流母线电压利用率低与电压饱和问题,造成弱磁区感应电机输出转矩不足与电流动态性变差的问题。为提升弱磁区电压利用率并抑制电压饱和,同步提升弱磁区输出转矩与电流动态性,文中提出优化的六边形电压拓展策略。首先,设计随电压矢量旋转实时更新的六边形电压给定以实现六边形电压拓展,并定量分析六边形拓展电压下的最大转矩提升;进一步分析六边形电压运行情况下,零电压裕量状态造成的电流动态性问题,提出励磁电流优先控制的优化方案。最后,通过对比实验验证所提出方法的有效性。     

用FUJITSU单片机实现的变频空调全数字空间矢量PWM逆变器

变频空调压缩机为恒转矩负载。针对其调速要求，提出了一种基于FUJITSU单片机的全数字空间矢量PWM逆变器，使之在电网电压波动情况下输出转矩仍为恒定，并成功的应用于变频空调中，效果良好。     

基于机器学习的SARS-CoV-2传播和临床风险预测方法

综合征监测作为公共医疗卫生政策的主要检测指标,拥有充足且及时的监测信息至关重要。传统流行病学指标监测的滞后和误导会影响病情严重地区的医疗实施方案。使用谷歌趋势搜索量、谷歌移动、电信运营商、英国国家医疗服务体系(National Health Service,NHS)电话119和线上新冠检测请求网站的空间数据,提出一种局部范围内SARS-CoV-2传播和临床风险的早期指标建模方法。利用浅层学习算法作为基准方法训练局部空间神经网络,提出空间集成长短期记忆(Spatio-Integrated Long Short-Term Memory,SI-LSTM)算法和空间集成卷积神经网络长短期记忆(Spatio-Integrated Convolutional Neural Network Long Short-Term Memory,SI-CNN-LSTM)算法。在规定的评估时间周期内,两种算法均能准确识别出疫情感染高风险区域。此外,在基本公共卫生服务项目中,该模型还原了2020年底阿尔法变体、2021年4月德尔塔变体和2021年11月奥密克戎变体在英国境内的局部增长指数,其空间分散性和增长指数得到了临床数据的证实。     

基于情景感知与移动数据挖掘的行人轨迹预测方法

移动数据挖掘是智能交通领域中各项应用的研究基础,对于理解复杂的人类行为模式和改善城市规划、交通和公共安全有着巨大的潜力。行人轨迹预测立足于移动数据挖掘,从中发现行人的移动规律,致力于在智能机器人、自动驾驶、智慧旅游等许多现代产业中发挥重要作用。考虑到传统的行人轨迹预测模型仅关注时空数据,没有充分考虑人与环境、人与人之间的相互作用以及情景信息,提出了一种基于空间社会力图神经网络(Spatial Social Force Graph Neural Network,SSF-GNN)的行人轨迹预测模型。SSF-GNN可以处理行人的历史轨迹,并从不同场景中提取特征。利用社会力理论量化了行人的互动和情景感知信息。SSF-GNN融合了行人的社会影响和隐藏状态,可以准确预测连续轨迹点。在两个经典数据集(ETH和UCY)上进行了大量的实验,结果表明SSF-GNN的性能优于当前主流算法。平均位移误差(Average Displacement Error,ADE)相较于对比方法的平均值减小了25.6%,最终位移误差(Final Displacement Error,FDE)减小了15.4%。预测行人在未来3.2 s的轨迹点时,现有对比方法的平均准确率为48.6%,SSF-GNN的准确率显著优于最先进的模型,达到67.7%。