基于机器学习的超高性能混凝土成本优化

近年来,超高性能混凝土（UHPC）凭借其优异的力学性能和耐久性能成为热点研究方向之一,但高昂的成本始终限制其在工程中的应用。提出了一种基于机器学习的超高性能混凝土配合比优化的方法,以降低UHPC的成本。为实现这一目标,首先通过人工神经网络（ANN）建立了UHPC 28 d抗压强度与扩展度的预测模型,再以其为约束条件,同时考虑UHPC组分含量约束、组分比例约束,通过遗传算法（GA）降低UHPC的成本。研究结果表明,ANN模型的预测结果与实验结果的误差在10 %以内,具有良好的预测精度;遗传算法优化后的UHPC成本降低至838.8美元,低于文献中1 000美元的成本。     

基于极间流场模型分析的高速走丝电火花线切割技术

提出一种简化的电火花线切割极间流场模型,分析了平板长度及其运动速度和缝隙宽度对压差流和剪切流的影响,以及复合后的间隙流场,通过对高速走丝电火花线切割机附加共轴式高压喷嘴,在高能量切割条件下,实验对比了以剪切流为主的单一浇注极间供液方式与以复合流动为主并辅以高压喷液的复合极间供液方式的切割效率和表面质量.结果表明：压差流与剪切流的复合,有利于改善高能量切割的极间流场状况;复合供液方式可明显改善单一浇注极间供液方式的状况,最高切割效率约为220 mm2/min,增幅达20%,且其表面基本没有烧伤,从而验证了压差流与剪切流的复合效果.     

混合核函数对支持向量机分类性能的改进

通过对核矩阵的计算和研究,从理论上对常用的核函数进行了评估.在此基础上,通过实验仿真证实了通过优选后的核函数所组成的混合核函数对支持向量机分类性能的改善,为核函数的选择提供了参考.     

基于GA-SVM模型的虹膜质量评估方法

针对虹膜图像质量评价过程中存在的如何选取适量的评价因子、 如何降低评价因子的计算量、 如何对评价因子进行有效融合等问题, 提出一种基于遗传算法支持向量机（GA-SVM）模型和多测度评价指标的虹膜图像质量评估方法. 首先对虹膜图像进行清晰度质量评价, 粗略筛除模糊图像; 然后选用4个评价指标, 利用GA-SVM模型对评价指标值进行有效融合, 以综合评价虹膜图像质量; 最后将该方法在吉林大学第六代虹膜库中进行验证, 并与其他经典评价方法进行对比. 实验结果表明, 该方法能提高可用虹膜存活率, 并达到较好的识别精度, 同时提升系统运行速度.     

半在线模型的松弛

研究半在线模型的松弛,讨论以下半在线松弛模型：已知工件最大加工时间在某一区域内（known largest job interval）, 分别讨论了该模型下2台同型机的极小化Cmax问题和极大化Cmin问题。对这两个问题构造pInteval算法,给出其竞争比并证明它是紧的,还分析了上述两个问题的特征和LS算法的竞争比。     

基于Internet的工程机械远程诊断维修系统的实现

为了解决工程机械现场诊断、维修困难等问题,提高其现场抢修与维护能力,基于网络有线、无线传输协议,结合虚拟仪器技术等建构了工程机械的远程诊断维修体系,开发出基于该诊断维修体系的工程机械远程诊断维修系统.其功能模型由数据采集终端、维修工程车组、修理厂、制造厂等组成.系统的实现由4个模块组成,包括远程故障诊断模块,可视化模块,信息咨询模块,数据维护模块.结果表明该远程诊断维修系统可进行工程机械远程状态监测,为维修分队提供了故障诊断、技术查询、可视化维修等技术支持,有力提高了施工现场工程机械设备的快速抢修与维护能力.     

同步电机的异步运行特性和频率特性

本文导出了同步电机稳态异步运行特性和频率特性之间的简明关系．进而得出了由稳态异步运行特性量测同步电机频率特性的矢量作图法。应用此法求出了一台模拟电机的频率特性，并与其它实测结果作了比较。     

泵控马达负载反馈半实物仿真测试系统

本系统的目的是在试验室内考查工程机械在现场的工作过程,用以考核、改进和设计液压系统,提高其性能和可靠性.本系统是用模拟控制器实时仿真工程机械的工作过程.本文着重介绍该模拟控制器与液压系统之间的电气接口,以及工程机械负载参数的测定方法.本系统结构简单,费用省,使用简便,易于推广,已在采煤机上应用成功.     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

磁化处理的全尾砂料浆沉降参数优化模型

为了提高全尾砂料浆的脱水浓缩效果,将磁化处理技术引入到全尾砂料浆脱水浓缩中,并建立GA-SVM模型优选全尾砂料浆的沉降参数。建立支持向量机(SVM)沉降参数优化模型,以磁感应强度、磁化处理时间、料浆流速、料浆浓度、絮凝剂单耗为输入因子,沉降速度为综合输出因子,通过正交试验建立样本数据对SVM模型进行训练与检验,采用遗传算法(GA)对SVM模型参数进行优化,进而得到磁化全尾砂料浆沉降参数的GA-SVM优化模型。将GA-SVM模型运用到某铁矿磁化全尾砂料浆沉降参数优化中,得到的最佳沉降参数为磁感应强度0.192T、磁化处理时间1.85min、料浆速度1.92m/s、PAC单耗28g/t,沉降速度可达约155cm/h。研究表明:适宜的磁化处理条件可提高全尾砂料浆的脱水浓缩效果,节约30.0%~42.5%PAC用量,GA-SVM模型对全尾砂料浆沉降参数预测结果相对误差在5%以内、预测精度高,为全尾砂料浆脱水浓缩及其参数优选提供了一种新思路。