企业技术创新与信息支持保障

一、企业技术创新的信息需求分析 1.技术创新渴求“需求信息”需求信息是技术创新的诱因。必须首先从中场信息调查抓起,既要调查国内市场、本地市场、静态市场、卖方市场、超级市场和新兴市场;又要调配国外     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

塔里木盆地塔中地区卡塔克古隆起演化和沉降-反转史

在盆地的构造演化过程中,古隆起是盆地构造演化中特定的构造,其构造演化影响着盆地的油气生成及运聚。根据地震剖面、钻井、测井等资料,对塔里木盆地塔中地区卡塔克隆起构造特征及其反转史进行研究。结果表明:卡塔克隆起多表现为基底卷入式断裂及多个Y字型断裂,花状构造样式,多数断裂断至二叠系顶面;卡塔克隆起在震旦—早奥陶世阶段为北倾斜坡,中奥陶世末期塔里木盆地由拉张转为挤压,构造反转,此时卡塔克隆起雏形基本形成,并形成了前述断裂构造样式;晚奥陶—中泥盆世末隆起基本定型,构造形态保持至今;中泥盆世—中新世期间,虽经历了强烈的构造运动,但未改变卡塔克隆起的形态。     

基于离散过程神经元网络的农作物产量预测模型及其应用

采用离散过程神经元网络建立农作物产量基于种子、土壤、施肥、气候等影响因素下的预测模型,使用模拟退火-遗传算法对权值进行分层修订,并通过实际数据进行验证,得出此模型泛化能力较强,可以应用于其它经纬度,其它农作物生长参数的预测中,是一种全新的动态预测方法的结论。     

组合式人工湿地系统去除垃圾填埋场地下水氨氮污染试验研究

利用组合式人工湿地系统,进行了去除垃圾填埋场地下水氨氮污染的试验,并对去除效果进行比较研究。结果表明:二级串联人工湿地氨氮的去除率达90%,而一级人工湿地氨氮去除率为82%,说明二级串联人工湿地较一级人工湿地氨氮的去除效果明显。湿地植物千屈菜、菖蒲和芦苇对氨氮去除效果相似,差异较小。组合式人工湿地试验研究能为垃圾填埋场地下水氨氮去除提供参考,并为低浓度氨氮污染地下水作为景观用水提供试验依据。     

可考虑任意围岩压力分布形式的隧道衬砌计算分析

以大型通用软件ANSYS为平台,采用静力等效原则,把压力转化为相应的节点荷载,解决了隧道围岩压力与节点位置相关又不与衬砌结构垂直的输入问题.利用ANSYS的参数化高级设计语言,编制了适合任意三心圆拱衬砌断面和不同围岩压力分布形式的隧道衬砌内力和偏心距的通用计算程序.这为隧道设计提供了很大的方便.以武广客运专线双线浅埋隧道为例进行了计算分析.结果表明:对于埋深较浅的隧道,如果拱顶围岩压力按均布进行计算,结果会产生较大误差.围岩压力仅按均布设计的隧道,拱腰易出现开裂;围岩压力仅按马鞍型设计的隧道,拱顶易出现开裂;最好采用多种围岩分布形式进行隧道设计与验算.     

基于不完备模态测试信息的结构损伤识别方法研究

测试信息不完备、测量噪声等因素是制约结构损伤识别方法应用的主要难点.为此首先采用部分测点的实测模态振型数据和未测点的有限元模型模态振型数据构造出完整的模态振型.其次,建立了一种适合梁系和杆系结构的基于不完备测试信息的损伤识别方程,并采用Levenberg-Marquardt非线性最小二乘算法进行了方程的求解.由于采用的是标量损伤模型,该方法可以同时进行结构的损伤定位和定量研究.最后,用一个平面桁架模型进行了数值模拟,重点考查了实测自由度数、模态数、测试噪声对损伤识别结果的影响.研究表明,在测试数据不完备及一定噪声水平条件下,该方法仍有较好的损伤识别能力.     

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法（improved sparrow search algorithm,ISSA）优化支持向量机（support vector machine,SVM）,进而建立边坡稳定性预测模型（ISSA-SVM模型）。将重度、粘聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取国内外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法（grey relation analysis,GRA）进行敏感性分析。结果表明：ISSA-SVM模型预测精度更高、泛化能力更强,粘聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。