基于Visual Basic编程的深井有杆泵设计

针对西部油田井深、温度和压力高的特点,展开深井有杆泵采油技术研究。研究过程中用实际井温度压力数据对温度压力模型进行对比,选择合适的深井温度压力计算方法。杆柱设计过程中考虑深井中常用玻璃钢杆柱的情况,针对深井载荷较大的特点,以整体杆柱质量最轻为第一目标,结合Visual Basic编程手段,提出一套深井有杆泵程序设计方法;并对现场深井进行有杆泵优化设计。结果表明:设计方案与实际生产数据相比,能使载荷明显减小,满足深井生产要求,为深井有杆泵设计提供方便。     

融合情感词典的改进BiLSTM-CNN+Attention情感分类算法

传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。本文提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,该算法通过融合情感词典优化特征词的权重;其次,利用卷积神经网络(CNN)提取局部特征,利用双向长短时记忆网络(BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明,本文提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、LSTM、CNN和随机森林模型,本文方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明该方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。该方法具有一定的学术价值和应用前景。     

深度神经网络模型数字水印技术研究进展综述

近年来,深度神经网络模型在各种应用领域都取得了巨大的成功,训练先进的深度神经网络模型仍需要大规模的数据集、高昂的算力成本和优异的算法思想,生成的深度神经网络模型成为一种宝贵的资源,也是完成人工智能应用领域某项特定任务的核心算法。因此,深度神经网络模型的安全则变得极其重要,利用数字水印版权保护技术保障模型的安全已经成为人工智能安全领域一个重要的研究方向。为了综述深度神经网络模型数字水印版权保护技术的最新研究进展,首先介绍了深度神经网络模型数字水印技术分类;其次介绍了深度神经网络模型数字水印版权保护技术基础概况;再次归纳总结了深度神经网络模型数字水印版权保护技术的研究方法;最后总结并展望了深度神经网络模型数字水印版权保护领域的研究重点和发展方向。     

偏压条件下排桩加内支撑支护深基坑受力与变形分析

基坑开挖受周围环境制约较大,需根据具体条件采取不同的支护方式。尤其对于狭长基坑两侧存在偏压的情况,基坑变形以及支护结构受力会存在较大差异。本文以西安科技八路综合管廊深基坑支护工程为研究对象,采用数值模拟与现场监测相结合的方法,对偏压条件下基坑的变形以及支护结构受力变化规律进行了深入的研究分析。研究结果表明：随着基坑开挖,水平位移和竖向位移均呈逐渐增大趋势,锚杆和内支撑对水平位移控制效果明显。桩身内力在锚杆与内支撑位置突变明显,避免了桩身受力过大。由于受右侧已开挖基坑的影响,导致基坑两侧变形有所差异,但位移值相差不大。说明该深基坑支护方案设计合理,支护效果良好,满足偏压条件下对基坑变形控制的要求。研究结果可为类似基坑工程的支护与开挖提供一定的指导。     

基于机器视觉的桥梁裂缝检测应用及发展综述

桥梁裂缝是影响桥梁服役性能的关键因素之一,裂缝检测对桥梁养护至关重要。目前大部分检测为人工检测,检测人员通过目视检查裂缝,手动记录裂缝,检测的时间成本高昂。基于机器视觉的桥梁裂缝检测系统利用桥梁表面图像进行裂缝识别,近年来借助人工智能技术使裂缝自动化识别的精度和效率大大提升。详细介绍了基于机器视觉的桥梁裂缝检测系统及其应用,总结了该技术在桥梁裂缝检测中的优势及改进方向。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

基于深度学习的手术场景运动感知

基于术中影像的运动感知是计算机辅助手术系统开发的重要研究内容,能够为运动补偿、软组织形变分析等应用提供有价值的信息,从而提高手术效率并增强手术安全。然而,手术影像中运动器械的遮挡降低了对局部区域估计的准确性。为解决这一难题,提出一种基于光流网络和解耦表示的运动感知方法,并结合自监督学习范式优化模型。制作了神经外科手术数据集,在PyTorch深度学习框架下对模型进行训练和验证。实验结果表明：该运动估计方法在复杂手术场景中具有稳定性强、准确度高的优点,在计算机辅助手术中具有较高的应用价值。     

地铁站深基坑桩撑支护开挖变形

以济南地铁邢村站基坑开挖支护为工程依托,通过理论分析、数值模拟和监控测量相结合的方法,首先在理论方面阐明基坑变形的理论依据,然后利用有限元软件ABAQUS对邢村站基坑开挖的全过程进行了模拟,并结合现场的监测结果,对基坑开挖过程中围护结构的水平与竖向位移和基坑周边的地表沉降以及支撑结构的轴力变化进行了分析。研究结果表明：随着基坑的开挖,基坑顶部呈现出逐渐向坑内运动的趋势,并且随着开挖过程中支撑结构的施加,围护结构整体呈现出向坑内变形的“弓”形分布,在支撑施加的部位,变形明显减小;由于基坑开挖土体的卸荷,围护结构出现隆起变形;地表沉降曲线呈现“U”形分布,并且随着基坑开挖深度的逐渐增加,地表沉降最大值逐渐增大,基坑开挖的影响范围基本在0～20 m内;各道支撑的轴力呈现出逐渐增加的趋势,下部的支撑发挥作用的效应更明显,并且下部支撑轴力大于上部支撑的轴力。     

深厚软土狭长基坑地连墙变形特性

为研究南沙港地区软土深基坑内支撑式地连墙变形特性,以广州南沙港铁路明挖隧道深基坑为工程背景,通过大量实测数据统计分析,对比已有研究成果,探讨狭长基坑开挖墙体测斜、墙后地表沉降及其因素影响。结果表明:墙体测斜呈“两头小、中间大”的内凸型,最大侧移量主要分布在20～35 mm,占比高达83.6%,最大侧移变化范围为(0.07%H,0.38%H),平均值为0.22%H,相比宽大基坑的墙体抗侧移变形能力要强,其中H为基坑开挖深度。墙体最大侧移所在位置深度范围为(H-6,H+3),且大多数位于开挖面附近,墙体侧移主要影响深度范围约为2H,深度效应显著。墙后地表沉降主要影响范围为(0.17δ_hm,1.60δ_hm),平均值为0.864δ_hm,其中δ_hm为墙体最大侧移量。墙体最大侧移随墙底以上软土厚度增加呈缓慢增长趋势,随插入比和支撑刚度的增大而缓慢减小,当插入比和支撑刚度超出某一量值,继续增加对墙体变形控制无明显作用。可见,合理的围护体系设计对基坑变形控制至关重要。     

融合注意力空洞卷积和Transformer的矿石图像分割

在金矿研磨过程中,矿石粒度大小对后期黄金冶炼起着至关重要的作用,是一个不可忽略的关键参数。为解决图像分割中多数矿石表面不规则、棱角多,粘连等问题,通过结合注意力与多尺度空洞卷积的Vit Transformer模型研究了矿石图像分割。首先使用ResNet34作为下采样主干,增强对金矿石的特征提取能力;其次采用Transformer模块解决长距离依赖问题,融合复合通道注意力空洞模块提升网络对金矿石边缘特征的提取能力,提高了网络的抗干扰能力并扩大感受野。实验结果表明：本文算法准确率达到95.84%,Dice系数达到94.69%,交并比(IoU)达到90.39%,错误率低至7.83%。与其他算法对比,本文方法精度、Dice系数、IoU更高,可以较好地完成矿石图像分割任务。