基于GPU的多维树搜索算法在管道流体仿真中的应用

为提高邻近粒子搜索速度,使水力压裂过程中注入管道内的水流现象更好地满足实时性要求,在图形处理器(GPU)上基于光滑粒子流体动力学(SPH)算法,将结合GPU的并行操作能力和多维树搜索算法优点的多维树搜索算法应用在水力压裂管道流体模拟中。首先,给出了流体粒子的受力分析及更新颗粒位置的方法;然后,给出了该算法在管道流体模拟中的具体实现过程。最后,通过实验近似模拟水力压裂过程中管道与水流交互过程,并与其他算法进行对比分析。结果表明将本文算法应用于大规模管道流体模拟中,执行速度快了几倍,实现了水流模拟在管道中的实时性。     

基于卷积神经网络的脚部关键参数计算方法

针对传统制鞋业定制化程度低,无法适应足部多样性、舒适性,提出了一种基于卷积神经网络的脚型关键参数计算方法。首先对图像进行透视变换等预处理,然后使用fine-tune的迁移学习方法,通过修改VGG神经网络源模型全连接分类层,将高层卷积权重进行微调,优化网络模型并提取特征值进行特征分类,从图像中识别出脚的轮廓。最后通过设计的算法把脚型特征值计算出,并与实际测量的脚长、腰窝宽度、脚宽等做对比。实验表明,改进后的模型对脚部识别的准确率达到96.8%,输出结果与测量的真实数据相比误差不超过3%,可作为鞋底制作的重要依据。