弹簧压并状态下悬架减振器绕流涡旋特性分析

为研究汽车行驶过程中减振器弹簧压并状态下翼子板内流场特性的变化,将该状态下的减振器简化为三维变截面圆柱模型,并建立变截面圆柱绕流三维流场模型,利用Transition SST四方程转捩模型模拟低、中、高3种车速对大、小圆柱绕流涡旋特性的影响.结果表明:绕流后尾涡的大小、形态、上升角均受圆柱直径、雷诺数及边界条件的影响,在变截面处验证“下洗”运动对N区边缘涡生长的直接作用及对L区涡旋分布的干扰作用;3种流速下适合绕流涡旋振动压电能量回收的最优夹角分别为±10°,±15°,±20°;在有界的高雷诺数流场下对变截面圆柱绕流涡旋重新分区,发现新的涡旋连接方式.     

面向睡眠健康的感知、计算和干预

睡眠是人的生命本能,不仅对个体的身心健康具有重要意义,还可以作为身体机能调节、恢复和增强的天然手段.统计显示,我国约有1/3人口存在睡眠障碍.日益增长的国民睡眠健康需求与落后的日常睡眠健康管理现状形成突出矛盾,迫切需要形成从睡眠结构转换机制到睡眠质量监测与干预的理论与方法.本文深入分析了近几年睡眠感知、智能睡眠计算和睡眠干预的最新研究进展,分别展望了这个闭环体系中3个阶段的关键科学与技术问题,并结合未来数年的可行性从原理机制和方法措施角度提出建议,以期促进以日常需求为导向的睡眠健康科学研究和技术开发,全面建立主动睡眠健康的新范式.     

一种基于局部平均法向变形的网格参数化方法

针对有边界无边界的网格参数化问题, 提出一种局部平均法向变形的网格参数化方法, 以平均曲率流的方式为参考, 将顶点推向其邻居的平均位置, 使网格变形至平面或球面. 首先, 计算每个三角形邻居面的平均法向, 并以该法向为目标, 计算每个面法向变化的旋转矩阵; 其次, 基于Poisson方程将整个网格重新“缝合”, 通过优化拉伸能量, 计算顶点的新坐标. 交替迭代上述两个步骤, 将网格变形至常平均曲率曲面. 该算法与一般的基于能量优化的方法不同, 每次迭代只需求解稀疏线性方程, 因此可以快速处理大型数据集. 通过在形变过程中加入惩罚函数动态地调整全局平均法向量的权重, 避免了变形过程中三角形退化或翻转的问题. 实验结果表明, 与其他参数化方法相比, 该方法具有实用可靠、 计算效率高等优点, 并能在同一框架下计算低扭曲的平面参数化和球面参数化.     

融媒体环境下的受众计算:途径与挑战

融媒体改革是传统媒体应对传媒经济平台化和传媒平台智能化浪潮的一项重要措施.传统机构在融媒体环境中利用数据驱动的计算传播学方法“重新”认识受众、量化传播效果,既是时代的必然,又是时代的需要.本文论述融媒体环境中受众计算的“为什么”和“怎么做”问题,将受众分析分解为三个纵向数据维度(文本、网络和时空数据)和两个横向方法维度(统计分析和机器学习).最后,我们着重讨论融媒体受众计算所面临的困难和挑战,并提出可能的解决方案.     

动力学模态分解方法重构及预测流场误差分析

利用动力学模态分解(dynamic mode decomposition,DMD)方法可以实现非定常流场的分解、重构和预测,但该方法重构和预测流场的误差需要给出定量分析.鉴于此,提出了定量描述动力学模态分解重构和预测流场的误差分析方法,以雷诺数Re=80的圆柱绕流二维流场数值模拟结果为例,研究了非线性流动和周期性流场重构和预测误差的动态变化情况.结果表明:依据能量大小确定的模态反映了流场的主要相干结构;低频、低增长/衰减率和大尺度的相干结构能量占比大,对流场的影响较大;DMD方法可以准确重构非线性和周期性变化流场,重构的误差小于10-10,预测流场的误差较重构流场出现跳跃增大现象;DMD方法预测非线性变化流场的误差在样本时间区间内较小(小于10-3),超出样本区间误差的发展急剧增大,变化情况依赖于数据样本;预测周期性流场的误差稳定在10-4左右.     

基于反应位移法的某地铁车站抗震性能研究

以沈阳某地铁车站为计算模型,考虑地层与车站结构间相互作用,按照反应位移法原理计算地层相对位移、结构周围剪力和结构惯性力.结果表明,车站层间位移满足规范限值要求,抗震组合为非控制工况,结构受力合理,对类似工程有一定参考意义.     

R型半胱氨酸体系电荷转移百分数的理论计算

采用密度泛函理论中的CAM-B3LYP方法, 在6-31G(d)基组水平上优化气相条件下R型半胱氨酸(R-Cys)分子的几何构型, 理论研究电子激发过程中R-Cys体系片段间的电荷转移特征, 并基于弛豫与非弛豫激发态密度计算片段间的电荷转移百分数. 结果表明: 对于SH片段, S0到S3的电荷转移百分数为57.96%； 对于COOH片段, S0到S1~S5各激发态的电荷转移百分数均为负值, 二者电荷转移的定性结果一致； 对于NH2片段, S0到S1和S4的电荷转移百分数分别为6.98%和31.45%.     

基于云雾结合的工件深度学习识别问题研究

统工业自动分拣存在工件识别准确率不高、特征定义复杂等问题,虽然新兴的深度学习为此类问题提供了较好的解决方法,但仍存在对边缘端设备计算能力要求较高的问题,为此本文提出一种基于云雾结合的工件识别算法,即在云端采用改进ALEXNET卷积神经网络进行训练,然后将训练好的模型下载到雾(边缘)端设备,对工件进行实时识别.对100个不同工件进行实验,结果表明:改进后识别准确率从ALEXNET的98%提高到99%,模型参数减少25%,同时可以充分利用云端的强大计算能力与边缘设备的实时性,为智能工件识别提供了一种新途径.