内置减压管的筒仓侧壁卸料动态侧压力

以试验结果为依据,利用颗粒流程序(PFC~(3D)),分析了普通筒仓单侧壁卸料的动态侧压力和安装减压管时筒仓单侧壁卸料的动态侧压力。分析结果表明:普通筒仓单侧壁卸料最大超压系数为1.30,安装减压管的筒仓单侧壁卸料在最大超压系数为1.10;减压管的存在使得储料流动形式发生改变,从而使储料在卸料时仓壁受到的动态侧压力明显降低,超压系数及其分布范围显著减小;减压管能够减小筒仓单侧壁卸料时的偏心距,从而减小卸料时储料对仓壁的冲击,能够提高卸料时筒仓的稳定性。通过观察储料流动形式和理论分析,进一步阐释减压管减小卸料时超压系数的原因。     

钢筋混凝土筒仓内的出粮流态研究

钢筋混凝土筒仓装满粮食后要承受粮食对仓体结构巨大的荷载。诸多学者研究表明,人们已经能确定,当粮食以底部卸料的形式从筒仓中流出时,对筒仓的压力作用更大。而粮食出仓过程中在筒仓内部的流态与压力有密切关系。本文借助计算机模拟软件对粮食出仓全过程进行数值模拟,观察粮食的位移情况,分析得出粮食出仓时的流态变化。     

基于简单无参注意力卷积神经网络的涡旋光束模态识别

由于大气湍流的影响,涡旋光在大气中传播时会产生相位畸变,造成接收端模态检测困难,导致通信系统的可靠性降低。为提高涡旋光束模态检测准确率,提出了利用简单无参注意力卷积神经网络(S-ConvNeXt)检测拉盖尔-高斯光束模态的算法。结果发现：该网络可有效聚焦于关键亮斑特征。当光束分别经过较弱湍流、中等湍流、较强湍流和强湍流传输2 km后,本征态检测准确率分别为100%、98.8%、96.4%和89.7%,叠加态检测准确率分别为100%、99.8%、98.8%和96.5%。在强湍流下,S-ConvNeXt网络本征态检测准确率比ResNet50、ShuffleNetV2、ConvNeXt网络分别提高5.7%、3%、1.2%,叠加态检测准确率分别提高5.7%、4%、0.9%。S-ConvNeXt网络能够有效提高模态检测准确率,尤其在强湍流条件下表现更好。