基于灰色关联分析的“白屋顶计划”评价模型

在已知人为热释放、风速、日照时数和相对湿度的前提下,以芜湖市为例,运用灰色关联分析求出以上四个影响因素对行为因子(城市热岛效应)的关联影响程度,算出日照时数在四个环境因子中的比重,从而将白色屋顶计划对城市热岛效应的作用量化,建立了灰色预测模型。通过回归分析计算白屋顶计划对城市温度的影响,最后将预测数据与真实数据进行对比,模型结果表明"白屋顶计划"是合理且可行的。     

公路桥梁桩端后压浆灌注桩技术研究

结合后压浆灌注桩与常规灌注桩静载对比试验,分析了桩端压浆灌注桩作用机理及后压浆对单桩轴向受压承载力容许值增大的贡献.     

层间干扰实质与再认识

受各储层段岩性、物性以及开采过程中各层段地层压力与流体物性差异等因素影响,多层油藏在采用合注合采开发时,始终存在层与层之间相互制约和干扰的问题。不恰当的注水开发模式会导致各层吸水能力、出油状况及水淹程度差异加剧,生产动态上表现出较大的层间矛盾,从而影响各层段和油藏整体的均衡动用及最终采收率。目前定义的多种层间干扰系数能定量表征层间干扰现象,但其物理内涵与实际注水开发渗流过程不符。针对前期层间干扰研究存在的不足,以海上某油田典型多层油藏X为例,结合室内实验方法、油藏工程方法和数值模拟方法,剖析了多层合采早期实验测试及理论研究中存在层间干扰的根源和实质,确定了分段测试与整体测试之间表现出的层间干扰实质是油藏压力场与渗流场的非均衡性所致,并基于层间干扰实质研究成果,建立了考虑层间干扰的油井产能计算新方法。实例应用结果表明,基于层间干扰实质的层间矛盾定量评价及油井产能计算新方法更符合油藏实际情况,为多层油藏合注合采产能的预测及降低层间干扰对实际生产效果影响的策略制定提供了理论依据。     

基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。     

考虑验证荷载的既有结构可靠度计算

既有结构的可靠度与抗力衰减、抗力后验分布、活荷载取值有密切的关系.文中借助现行荷载规范活荷载的分布函数,采用极大似然估计法,推导了指数型抗力衰减函数的参数计算公式和验证荷载下的抗力后验分布函数计算公式.在综合考虑抗力衰减、抗力后验分布与活荷载取值3个因素的情况下,选取线性功能函数和非线性功能函数计算了恒载和活载共同作用下的可靠度.计算结果表明,影响既有结构可靠度的3个主要因素中,其显著性程度按照由高到低的次序是:抗力衰减、抗力后验分布、活荷载取值(与目标使用期有关).     

摩擦-电学性能测试系统的设计与研发

针对现有摩擦起电研究缺乏规范化试验支持的问题,自主研发一套适用于摩擦起电试验的摩擦-电学性能测试系统.通过模块化设计和系统集成,依次完成加载、运动和测控模块的设计,并开发LabVIEW测控软件.通过设置缓冲弹簧,优化加载结构,实现小载荷条件下的平稳加载,同时对上、下试样进行绝缘处理,实现对微电流的精准测量.通过对标测试和摩擦起电试验,验证测试系统的可靠性,并分析铜-铝界面转移电荷量的变化情况,初步确定转移电荷量与载荷的线性关系.研究结果有助于摩擦-电学测试的规范化.     

一种基于深度网络的视图重建方法

为了解决在仅有单目视图的环境下实现立体匹配的问题，在现有视图重构网络模型Deep3D的基础上，提出了基于加权局部对比归一化约束的全卷积重构模型.该模型采用改进的全卷积神经网络架构作为模型的特征提取模块，以期减少训练参数，降低训练时间，增加模型的非线性.为了进一步提高重构精度，设计了新的基于加权局部对比归一化的约束条件，并采用结构相似性成本(SSIM)与L1成本相结合的损失优化函数对模型进行优化.在KITTI 2015数据集上展开实验，并与Deep3D模型及其后续的改进方法进行比较.实验结果表明，在只使用左视图作为训练数据的情况下，生成的右视图在SSIM和峰值信噪比两个指标上有很大提升，能够满足立体匹配方法中右视图的精度要求.     

一个盲公开可验证的矩阵乘积外包计算方案

基于可验证数据库,提出了支持盲公开可验证的矩阵乘积匿名外包计算方案,该方案满足对计算结果公开可验证,同时可以保护用户身份及数据的隐私,防止恶意云服务器的欺骗行为。给出的安全性分析说明了方案在随机预言机模型下是适应性选择消息安全的。方案使用摊销模型,以降低计算开销,并通过模拟实验证明,与已有方案相比本方案计算开销更小。     

基于对比学习的弱监督时序动作定位

弱监督时序动作定位旨在于仅在视频级标签的监督下，定位未剪辑视频中的动作时间边界，并识别定位结果所对应的动作类别．由于缺少动作在时间上的标注信息，目前大多数弱监督时序动作定位方法通过聚合具有高激活值的显著动作特征来优化分类损失函数的方式训练动作定位网络，这会导致网络过度关注动作片段的关键部分，忽视了视频中部分难以分类的模糊动作片段，难以保证定位结果的完整性．基于上述问题，提出了一种具有多分支注意力机制的网络框架，分别对视频中的显著动作片段、显著背景片段和难以分类的模糊动作片段进行建模．同时，基于上述的多分支注意力权重，构建了3个相应的时域类激活序列优化动作分类损失函数，使网络能够分离视频中的显著动作特征与显著背景特征．为了使网络捕获更加完整的动作片段，基于对比学习设计了模糊动作对比损失函数，在显著特征的引导下细化视频中的模糊动作特征，使网络能够感知精确的动作时间边界，以避免完整动作的截断现象发生．所提方法在2个主流的弱监督时序动作定位数据集THUMOS-14和ActivityNet-1.2上的定位性能均超过了之前的方法．具体而言，所提方法的定位性能相比于之前的方法在上述两个数据集中分别提...