适应新时期发展要求创新县级科技情报工作

近年来,界首市科技情报研究所主动适应新时期发展要求,创新思路,创造条件,强化服务,变被动为主动,制订出针对性服务方案,以信息需求为导向,促进传统的信息服务向现代服务方式转变,引领界首经济、社会全面协调健康发展.     

波纹管对高黏度介质的强化传热研究

通过数值模拟和实验研究考察了一种黏度较高的油类介质在波纹管内的流动和传热特性。研究发现,在本文条件下,波纹管内流动从层流发展到湍流的临界雷诺数远小于传统光滑圆管内的临界雷诺数,约在800～1000左右;波纹管在低雷诺数条件下对较高黏度的介质具有更好的强化传热效果,最大传热强化比达到6倍左右;本文拟合出的波纹管内高黏度介质强制对流时的传热准则关联式,考虑了波纹管管型及不同温度下介质物性参数的影响,经验证具有较好的精度,这为波纹管换热器的进一步工程设计和应用提供了一定的理论依据。     

浸没式膜生物反应器处理微污染水的工艺强化

对比了单独膜与膜生物反应器(MBR)对微污染原水的处理效果,并研究了投加氯化铵、葡萄糖和粉末活性炭等强化措施对MBR处理效果的影响。结果表明,单独膜工艺对CODMn和氨氮去除率只有16%和5%;而以粉末活性炭为生物载体的MBR工艺对CODMn和氨氮去除率提高到35.3%和44.5%;提高原水有机物浓度和氨氮浓度对CODMn和氨氮去除效率提高作用有限;更换10%的PAC后,提高了MBR对CODMn的去除效果,其去除效率可由原来的35.3%提高到50% 。     

方柱微结构芯片射流冲击流动沸腾换热实验研究

对喷射条件下的电子芯片在FC-72中的流动沸腾换热进行了研究,并和同工况下的光滑芯片作了对比.实验选取的工况如下:过冷度为25、35℃;横流速度Vc为0.5、1、1.5m/s;喷射速度Vj为0、1、2m/s.实验采用的硅片尺寸为10mm×10mm×0.5mm,通过干腐蚀技术在其表面加工出30μm×120μm、50μm×120μm的方柱微结构.实验表明,所有芯片的换热性能都随过冷度和流速的增加而提高,方柱微结构能明显地强化芯片换热,而射流冲击进一步提高了芯片在高热流密度下的换热性能.同一横流速度下,喷射速度越大,换热性能越好,尤其是Vc=0.5m/s、Vj=2m/s时,强化效果最显著.随着横流速度的增加,射流冲击的强化效果减弱,临界热流密度值增幅减小.     

换热管内置十字头错开塑料扭带的工作特性

为了比较普通扭带与错开扭带的工作特性,试验过程中将普通塑料扭带和十字头错开塑料扭带作为换热管的内插件,以水为工作介质,通过冷态试验,测出试验管段的压力降.选取转动效果好的内插件做热态试验.在热态试验中,管程的水被壳程的饱和蒸汽加热,测出进出口流体的温度以及饱和蒸汽的温度.在大量试验数据的基础上得出了其阻力特性和传热特性...     

基于模糊强化学习的双轮机器人姿态平衡控制

针对单轨双轮机器人在静止情况下存在的固有静态不稳定问题, 提出一种基于模糊强化学习(简称为Fuzzy-Q)的控制方法。首先,运用拉格朗日法建立带控制力矩陀螺的系统动力学模型。然后, 在此基础上设计表格型强化学习算法, 实现机器人的稳定平衡控制。最后,针对算法存在的控制精度不高和控制器输出离散等问题, 采用模糊理论泛化动作空间, 改善控制精度, 并使控制输出连续。仿真实验表明, 相较于传统强化学习方法, 所提方法能够显著提高控制精度, 且可以有效抑制外界干扰力矩对系统的影响, 保证系统具有一定的抗干扰能力。     

知识牵引与数据驱动的兵棋AI设计及关键技术

在分析知识推理型与数据学习型兵棋人工智能(artifical intelligence, AI)优缺点的基础上, 提出了基于知识牵引与数据驱动的AI设计框架。针对框架中涉及的基于数据补全的战场态势感知,基于遗传模糊系统的关键点推理,基于层次任务网的任务规划、计划修复与重规划,基于深度强化学习的算子动作策略优化等关键技术进行深入探讨。结果表明,所提框架具有较强的适应性, 不仅能够满足分队、群队、人机混合等兵棋推演的应用需求, 而且适用于解决一般回合制或即时策略性的博弈对抗问题。     

基于卷积神经网络感知功能的极端场景生成方法

近年来,基于卷积神经网络深度学习的感知算法在自动驾驶车辆环境感知系统中发挥着越来越重要的作用。由于在神经网络训练过程中,训练数据无法覆盖所有极端场景,因此如何保证基于深度学习的感知算法在极端场景下的安全性和可靠性,仍是一个亟待解决的问题。传统的基于真实行驶里程的验证方法,在获取极端场景数据上危险性高,经济性差,因此很难检验驾驶功能在极端场景下的性能。基于虚拟场景的仿真验证方法,虽然可以通过设置场景参数来生成大量测试场景,但是通过简单的参数组合并不能有效的生成极端场景。本文展示了一种在虚拟环境中生成极端场景的方法,用于训练和测试基于深度卷积神经网络的车道线识别算法。首先将场景特征用参数进行表示,然后使用deep Q-learning强化学习的方法,来生成极端场景的参数组合。通过与随机组合以及成对组合场景参数的方法进行对比,可以看出该基于强化学习的场景生成方法可以更有效地生成极端场景,因此可提高自动驾驶感知功能的测试效率,同时可为卷积神经网络提供更多的极端场景训练数据。     

基于深度强化学习的机械装备剩余使用寿命预测方法

随着机械装备发展的日益大型化和复杂化,其使用安全性和可靠性也越来越受到重视.剩余使用寿命(remaining useful life, RUL)预测技术,通过分析设备的运行数据,预测设备还能正常运行的时间,利用该技术可有效提升设备运行的安全性和可靠性,同时可为设备的后续维修决策提供关键依据.本文提出一种基于深度强化学习(deep reinforcement learning, DRL)的RUL预测方法,首先通过自编码器(autoencoder, AE)对机械装备的原始信号进行特征提取,利用提取到的特征构成强化学习的状态变量,通过设置合适的动作空间和奖励函数训练强化学习模型,使其能依据样本间的时序相关性对装备的RUL进行准确预测.与其他方法相比,强化学习方法的时序交互决策逻辑可以自然地保留样本间的时序依赖关系,降低了RUL预测的波动性.最后利用涡轮发动机数据集CMPASS对提出的方法进行实验验证,所提出的方法在RMSE和Score两项指标上均优于目前多种RUL预测方法,且所提出方法对于接近退化末期的装备预测效果有明显提升.     

国内外不同体制下实验动物管理政策体系和标准体系的分析与启示

目的 阐述我国实验动物管理制度的优势,找出存在的短板,提出完善与强化我国实验动物管理政策体系和标准体系的对策与建议.方法 分析国内外实验动物管理政策体系和标准体系架构.结果 我国还没有一部实验动物管理的法律,与国际上的通用要求存在较大差距;与国际先进标准相比较,我国实验动物标准内容相对滞后,标准之间缺乏系统性和协调性....