自升式平台方形桩靴“踩脚印”时结构强度计算方法

桩靴是自升式平台的基础,对整个自升式平台起到支撑和稳定的作用。在自升式钻井平台“踩脚印”的过程中,桩靴底部受到土体不均匀的承载力,可能会造成桩靴局部应力过大,进而导致桩靴损坏。鉴于自升式钻井平台“踩脚印”对桩靴结构的潜在危险,设计了三桩腿的自升式钻井平台“踩脚印”试验模型,获得了不同入泥深度时,桩靴底部的压力分布状况,通过分析发现,在入泥深度为5m时,桩靴两端产生最大的压力差,而在入泥深度为15m时,桩靴底部压力最大,根据不同入泥深度对应的桩靴底部压力分布值构造了二次多项式函数,在此基础上,采用有限元软件Abaqus建立了详细的方形桩靴有限元模型,将构造的压力分布函数按照分布规律分别施加到桩靴底部,计算出桩靴在不同深度以及不同偏心距时的桩靴应力结果。结果显示：在“踩脚印”过程中,应力最大位置出现在桩靴顶部圆管以及底部壳板位置,桩靴底部两侧受力不平衡对桩靴强度计算具有较大影响,相比直接将最大压载施加到桩靴底部的保守计算方式,该方法和计算结果更加接近实际工程工况。     

基于关联规则及组合模型的面料需求预测

由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。文章首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用RMES(root mean squared error,RMSE)及MAE(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明：采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMES较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。     

具有能量收集设备的移动边缘计算资源分配研究

针对具有能量收集能力的移动边缘计算系统的计算资源分配问题,提出一种基于李雅普诺夫贪婪优化算法。构建在设备电池电量逐渐收敛下,移动设备时延与能耗联合成本的动态最小化优化问题。利用李雅普诺夫动态优化理论,将优化问题分解成每个时隙最佳本地执行、卸载执行和能量收集3个子问题,通过线性规划获得子问题最优解。通过在本地执行、卸载执行和任务丢弃之间选择执行模式,获得设备的时延与能耗联合成本最小结果。利用键值对设计贪婪策略程序,以适应多用户多服务器系统。仿真结果证实,在保证所有设备电池电量都在规定操作水平附近稳定情况下,卸载率可达99.9%以上,并能有效降低服务延时和系统能耗。