基于深度学习的城市景观环境承载力预测模型分析

为了实现对城市景观环境承载力的准确预测,提出基于深度学习的城市景观环境承载力预测模型。根据城市景观环境承载力分布特征进行环境信息检测,构建环境承载力的大数据分析模型,提取反映城市景观环境承载力特征量的环境物理信息分布集。采用模糊信息融合方法进行环境承载力的特征分布式检测,建立环境承载力的模糊相关性特征辨识模型。结合模糊信息聚类方法进行城市景观环境承载力的统计分析,建立环境承载力统计特征分布式检测模型。根据数据分析结果,采用深度学习方法进行环境承载力预测的自适应寻优控制,实现城市景观环境承载力的准确预测。仿真结果表明,该方法的城市景观环境承载力预测的准确性较高,提高了预测水平,在环境保护中具有更高的应用价值。     

力学信息学简介

数据在力学的发展中始终属于最基础和最重要的角色。在古典力学时代,通过对海量数据的总结归纳,科学大师们得出了以牛顿运动三大定律为代表的自然世界运行的客观规律。在当今时代,快速发展的力学实验自动化技术和高通量技术,使力学数据呈爆炸式增长,如何基于迅猛增长的数据来快速发现、发展和革新力学理论,成为一个迫切需要解决的问题。力学工作者可以借助当下快速发展的人工智能算法,直接智能地优化实验和生产工艺,或者利用诸如符号回归、稀疏回归和流形学习等机器学习方法对数据进行挖掘处理,发现并给出数据所遵循的公式形式,将数据上升为知识。这一人工智能和力学相结合的交叉学科便是"力学信息学"。基于力学信息学方法,古老的力学学科也必将迎来新的春天。     

基于机器学习的工模具钢硬度预测

硬度是工模具钢性能的一个重要指标.本文通过机器学习中的层次聚类和LASSO回归方法,给出了工模具钢硬度-成分关系的解析表达式.层次聚类将79种牌号工模具钢的合金元素成分-硬度数据集按欧式距离分为了4簇,其中高铬钢和低铬钢两簇包含了几乎所有的数据.然后我们对高铬钢和低铬钢两簇数据分别进行LASSO回归,画出LASSO路径,并利用留一法交叉验证得到具有最佳泛化预测能力的成分-硬度的解析公式.之后引入电负性、原子半径变化率、价电子数、电子亲合能和第一电离能等原子尺度的特征,重新进行LASSO回归,得到了新的硬度公式.结果显示机器学习方法可以成功预报工模具钢的硬度.同时,使用原子尺度的特征为钢铁材料的性能研究提供了新的思路.     

局部约束阻尼板的减振设计与优化

通过两边简支约束条件下的单点锤击试验和ANSYS模拟研究了阻尼层厚度、阻尼层切口对局部约束阻尼(PCLD)结构振动的影响。分别从结构的振动加速度、振动总级值、最大位移及结构复合损耗因子角度进行阻尼分析,得出结构的阻尼性能随着阻尼层厚度的增加不断改善,综合考虑工程造价和阻尼效率等因素,选2 mm为该结构的最佳阻尼层厚度;对2 mm阻尼层结构进行切口处理可以优化结构的耗能效率,且经过结构中心的切口对结构阻尼性能的影响最为显著。