废弃纤维再生混凝土受压徐变及预测模型

为研究再生粗骨料替代率、废弃纤维体积掺入量对废弃纤维再生混凝土受压徐变破坏时间、徐变变形和徐变度的影响规律,对普通混凝土、再生混凝土和废弃纤维再生混凝土试件在实验室条件下进行了85%、90%和95%应力水平的徐变试验。试验结果表明：随着再生粗骨料替代率的增加,徐变破坏的时间缩短、徐变变形及徐变度增大;随着废弃纤维体积掺入量的增加,徐变变形及徐变度减小,徐变破坏时间增加。废弃纤维的加入能有效缓解再生混凝土受压徐变的破坏程度。在考虑再生粗骨料替代率及废弃纤维体积掺入量的基础上,对ACI209R徐变预测模型进行修正,模型预测结果与试验值吻合较好。     

基于PINN的非线性电路直流工作点求解方法

物理信息神经网络是一种新型深度学习模型,但是却无法很好解决高阶非线性方程在电路直流分析中难以求解的问题。为此,提出了一种基于物理信息神经网络的新型学习仿真模型,用于实现对非线性电路直流工作点的高效仿真分析与精确求解。特别地,文中同时将非线性器件的优安特性方程与修正节点分析方程作为损失函数的正则化项,通过将节点导纳矩阵与独立电源值作为先验知识直接代入物理信息神经网络中进行训练,得到直流工作点学习仿真模型,以有效预测节点电压值,实现对不同器件模型的非线性求解。在3种典型的非线性器件上验证了所提出的物理信息神经网络学习模型。仿真结果表明,所提出的物理信息神经网络学习模型与理论值相比,最大相对误差不超过4.30%,有效解决了传统数值算法在求解非线性电路直流工作点时难以收敛的问题。相比于Gmin法和源步进法,所提物理信息神经网络模型的平均预测精度分别提高了0.11%和0.23%。在需要更少样本的情况下,具有更好的学习效率与稳定性。     

基于解耦子波和优化神经网络的大坝变形预测

针对提高神经网络对大坝变形的预测能力,在对Murtagh提出的、小波与神经网络相结合的、用于复杂时间序列预测的“三阶段”策略进行改进的基础上,发展了一个解耦子波和优化神经网络优势联合的预测模型。首先,利用冗余Haar小波变换的拟小波包特性提出了基于能量谱主峰重构的动力解耦空间构建技术,并将其替代“三阶段”策略中的第1阶段,从而为神经网络的应用创建了良好的平台;再者,利用最优脑外科医生进行网络结构修剪,建立了神经网络自身优化的“优化–时新窗”技术,并将其替代“三阶段”策略中的第2阶段,从而优化了神经网络的内部环境。改进后的模型增强了对复杂动力系统的适应和处理能力。在大坝变形预测应用中,多个评价指标说明,该模型的性能比“三阶段”策略有显著提高。     

电力市场中的价格钉研究

电力市场中普遍存在价格钉现象。结合近年来的相关文献对价格钉进行了综述：首先分析自由竞争的电力市场中电价的基本特点,并从经济学角度分析价格钉产生的原因,影响价格钉的供给与需求方面的主要因素,然后重点对价格钉的预测方法和控制途径进行了评述,对比了各种预测方法的优缺点及适用面,以及各种可能的控制途径。文章最后探讨了今后的研究方向。     

小曲率半径盾构隧道施工阶段管片水平轴线偏移预测模型

为探明小曲率半径盾构隧道施工引起的管片水平轴线偏移规律,预防管片错台破损等不良现象发生,基于修正的纵向等效连续化模型,考虑隧道收敛的椭圆化变形和曲线隧道的综合因素影响,通过构建小曲率半径条件下温克尔地基梁挠曲微分方程,建立小曲率半径盾构施工阶段管片水平轴线偏移预测模型,依托南昌市城市轨道交通3号线盾构隧道工程验证了预测模型的工程适用性。结果表明：管片拼装在6环以内时,预测模型的理论值与监测值、模拟值之间的最大误差分别为13.36%、25.68%,管片拼装在7~22环时,理论值与监测值、模拟值之间的最大误差分别为4.91%、8.95%,管片拼装在第30环时,理论值、模拟值和监测值分别达到-20.562、-22.370、-20.949 mm,且理论值与监测值之间的误差多小于5%,整体变化趋势基本保持一致,可有效解决小曲率半径条件下盾构隧道施工过程中管片水平轴线偏移量的计算问题。     

X油田特低渗透油藏井网加密效果预测方法

基于实际油藏井网加密调整后的动态开展效果预测研究,可为油田开发规划提供调整依据。通过对X油田特低渗透油藏井网加密调整前后开发动态变化分析,确定了加密增产效果变化规律及其主要影响因素;基于建立的反映实际油藏特点的典型数值模型,应用响应面设计方法和逐步回归方法,综合研究了不同因素变化对井网加密后增产效果的影响,并得到了反映特低渗透油藏特点的、考虑多因素影响的井网加密调整增产效果预测模型。预测模型在X油田特低渗透油藏中的实际应用表明,预测精度较高,并具有很强的针对性和实用性。本文建立的以“增产倍数”来表征油藏加密调整后的增产效果的方法,可为特低渗透油藏加密调整效果预测提供参考,并为此类油藏的开发规划提供可靠依据。     

基于改进的核相关滤波器的长期目标跟踪算法

针对核相关滤波器跟踪算法在视觉目标跟踪中因遮挡产生的目标丢失后,无法重新准确地跟踪目标问题,提出一种基于GM(1,1)灰色预测模型和间隔性模板匹配的改进的核相关滤波器跟踪算法。实验结果表明,在复杂环境下,所提出的改进算法与传统的核相关滤波器目标跟踪算法相比,综合性能有很大的提高,与其他跟踪算法相比也有一定的优势。     

基于改进LSSVM的短期电力负荷预测

针对电力负荷随机性、波动性以及非线性因素所导致预测精度不高等问题,提出了一种基于变分模态分解(VMD)与麻雀搜索算法(SSA)优化的最小二乘支持向量机(LSSVM)短期负荷预测模型。该方法首先借助VMD将原始负荷时间序列分解成不同频率的本征模态函数(IMF)和残差分量(Res),然后对各分量建立不同的LSSVM预测模型并利用SSA进行参数优化,最后将各分量预测值组合得到最终的预测结果。以比利时蒙斯大学和中国河南省某地区两组真实数据为例进行预测分析,将预测结果与LSSVM、VMD-LSSVM、SSA-LSSVM模型预测值对比,得出本文方法的两组数据MAPE值分别为1.5016%、4.765%,远低于其他模型。结果表明本文组合预测模型在预测精度上具有一定的优越性。     

基于数据挖掘建立北京地区牛、羊肉串掺假风险预测模型

通过对2019年北京地区销售的牛、羊肉串掺假情况进行调查,建立基于数据挖掘的食品安全风险预测模型。本实验从10 种不同销售渠道的100 家销售单位采集牛、羊肉串样品200 份,采用实时聚合酶链式反应法对样品进行猪、牛、羊、鸡、鸭5 种源性成分检测,分析掺假情况,并基于检测指标及样品信息,运用反向传播（back propagation,BP）神经网络算法构建牛、羊肉串掺假的风险预测模型。结果表明：由质控样品获得的源性成分报出限为Ct值28.0,在此基础上本次调查的200 份样品,总不合格率为17.5%（35/200）,其中牛肉串样品不合格率为14%（14/100）,羊肉串样品不合格率为21%（21/100）,用猪肉和鸭肉进行肉类掺假是目前主要的掺假手段;利用上述调查数据,经数据准备、模型生成、数据训练和验证及参数优化,构建的3 层BP神经网络预测模型对于不合格样本的预测准确率达95.7%,可满足风险预测的目的。该模型具有良好的参考和应用价值,可为食品安全风险预防和控制提供依据。     

乙型副伤寒沙门氏菌在鲜切黄瓜中的生长行为及预测模型建立

为建立不同温度条件下鲜切黄瓜中乙型副伤寒沙门氏菌的生长预测模型,将新鲜黄瓜切丁,添加乙型副伤寒沙门氏菌,分别在10、15、20、25、30和35℃下的恒温条件下贮藏,以观察细菌的生长。使用USDA综合病原体建模程序(USDA-IPMP)拟合每个温度下每种细菌的生长曲线,以找出描述该细菌生长的最适初级生长模型,并拟合得到最大比生长速率。通过温度对初级模型中最大比生长速率的生长动力学拟合,分别建立Ratkowsky、Huang rate、Cardinal、Arrhenius-type二级生长模型,并进行数学评估和实测样品验证。结果表明,实验数据和生长曲线显示乙型副伤寒沙门氏菌的生长表现出三个阶段,包括延滞期,指数期和稳定期。乙型副伤寒沙门氏菌的延滞期时间随着孵育时间的增加而降低。相反,乙型副伤寒沙门氏菌的生长速率随着孵育温度而增加,由此表明风险随温度的升高而增加。使用Baranyi和Huang初级模型分析两种病原体的生长曲线,使用Ratkowsky、Huang平方根模型、Cardinal和Arrhenius模型描述温度对贮藏时间细菌生长的影响,同时应用实验数据和样品实测验证评估所建立的预测模型。从该研究中获得的结果和预测模型可用于预测鲜切黄瓜产品中乙型副伤寒沙门氏菌的生长。