基于深度学习的智能问答系统综述

在科技发达和信息爆炸的时代,如何从海量数据中准确地提取所需信息已成为人们研究的目标.问答系统作为解决此问题的重要途径之一,其主要通过对已有数据信息进行检索和分析,并最终返回问题答案或其他相关信息.近年来,深度学习的革命性发展给问答系统带来了长足的进步,序列到序列的模型,端到端的模型以及最近流行的预训练,都给问答系统留下无限的发展空间,但其仍面临许多挑战.本文首先对问答系统的发展进行简要介绍,接着将问答系统按照3个不同角度进行分类,并对相关数据集、评测指标和各类问答系统的主流技术进行阐述,最后对问答系统面临的问题和未来的发展趋势进行讨论.     

基于多网融合及联动的煤矿安全监控系统设计

分析了目前煤矿安全监控系统的结构和应用中存在的主要问题,提出了监控系统全数字化传输的解决方案。在全数字化传输系统中对监控分站的功能,以及断电器、多系统融合的工作流程进行了重新定义,使多网融合和系统间的联动在煤矿安全监控系统中的实现变得简单易行,可为煤矿实现信息共享及协同处理提供新的解决思路。     

人细胞内Ca2+对CD4+T细胞免疫功能调控作用的研究进展

CD4⁺T淋巴细胞是人体免疫系统中重要的免疫细胞之一,主要分为Th1、Th2、Th17、滤泡辅助T细胞(T f ollicular helper cells,Tfh)及调节性T细胞(regulatory T cells,Tregs)。CD4⁺T淋巴细胞功能取决于T细胞受体(T cell receptor,TCR),TCR的激活触发了内质网释放Ca²⁺,Ca²⁺作为细胞的第二信使,通过改变其在细胞内外的浓度来参与细胞周期进展和增殖等多个生物活动过程,以维持免疫细胞的正常功能。CD4⁺T淋巴细胞与脂肪肝、肝脂沉积、肝炎、肿瘤等多种疾病的发生发展有关。因此,本文就细胞内Ca²⁺对CD4⁺T细胞免疫功能调控作用的研究进展作一综述,以期为某些疾病新临床治疗方案的研发提供参考。     

盖下坝水电站施工期温度应力及损伤仿真分析

结合盖下坝水电站工程实际情况,采用ANSYS软件及其二次开发技术,对该混凝土拱坝施工期的温度场和应力场进行全过程的三维仿真计算,得出施工期最高温度和最大温度应力.同时,利用损伤有限元程序对该大坝进行了损伤仿真计算,得出施工期重要时刻的损伤场.仿真结果表明,在合理的温控措施下,大坝施工期温度应力远小于设计容许值,损伤值也较小,施工期不会出现宏观裂缝.     

基于多维状态分析的晶闸管阻断特性评估方法及系统

换流阀用晶闸管作为高压直流输电系统的核心器件,其运行时的性能状态直接决定了输电系统的安稳运行.在实际运维过程中,晶闸管的阻断性能评估测试作为重要定检项目之一,因设备条件限制、评估条件不充分、数量庞大等因素无法实现准确、高效的测试,基于此,提出一种工程运用级的晶闸管阻断特性评估方法及实现换流阀用晶闸管阻断特性评估系统显得...     

在用井架承载能力及使用寿命测试系统的研制

在用井架承载能力及使用寿命测试系统能在钻井作业现场快速测出井架的最大承载能力、可靠性以及使用寿命。该系统研究属国内首创，达到国际先进水平，已用于辽河油田２０部开架的测试，创效益２６６．８万元。     

钢筋混凝土地铁管片抗裂分析

地铁管片的抗裂性能对工程结构的安全性与耐久性起着决定作用,有必要对其进行分析计算与试验验证。首先通过换算截面并应用开裂公式计算得到管片的理论开裂弯矩为294.47 kN·m,采用钢筋混凝土裂缝宽度验算公式反推得到裂缝宽度0.2 mm时对应的弯矩值为337.49 kN·m。接着对管片结构进行静载抗裂试验,加载到载荷设计值时管片未开裂,满足使用要求。最后采用大型有限元软件Abaqus对管片进行了三维数值仿真分析,与试验结果比较,两者数据吻合较好,验证了模拟的有效性。通过上述三方面的研究分析,验证了管片具有较好的抗裂性能,满足使用要求。     

串级控制系统模型矩量辨识方法

针对现代工业过程串级控制系统的对象模型辨识问题,提出一种新的基于系统正常运行数据的闭环矩量辨识方法。该方法仅需得到一次设定值变化的正常运行数据,采用梯形积分的方法计算得到传递函数两次求导的值,再运用极小化误差方法和最小二乘法对数据拟合,从而解得二阶含滞后模型的四个未知参数,进而辨识出串级控制系统的内环和外环模型。最后,通过MATLAB进行多次仿真实验。仿真结果表明,该辨识方法不仅具有普适性和极高的辨识精度,而且对噪声信号不敏感,具备良好的鲁棒性。     

猪油的干法分提工艺实践

结合工程实践,针对猪油固脂含量及脂肪酸组成特点,确定了猪油干法分提的分提初温、冷却水温与油温温差控制、搅拌速度、输送方式、过滤压力等工艺参数.实践表明:熔点为24℃的猪油经一次分提可得到熔点为15℃的液态猪油,得率为65％左右,压滤的固脂滤饼中液态猪油含量低.