系统运用材料物理学、弹性力学、热力学、工程测试技术的理论知识以及有限元数值仿真、实验分析等方法,研究高温应变片热输出误差的影响因素并得出补偿修正模型.首先根据材料电阻温度效应理论及热膨胀理论研究了高温应变片热输出的耦合特性,建立耦合作用下高温应变片的热输出模型,得到了构件、胶层和应变片三者耦合作用下应变片热输出的理论表达式;然后根据材料的电阻温度效应推导出不同栅丝材料的电导率参数,利用有限元仿真得到不同材料栅丝的热输出特性,选择其中的两种栅丝材料作为本文的研究对象得到其在耦合作用下的热输出并与实验数据对比,相对误差小于7%.最后基于理论模型和实验结果,建立了高温应变片热输出补偿模型,补偿修正后结果与理论值误差在9%以内,补偿效果良好

研究了TiO2含量、Al2O3含量以及二元碱度(CaO/SiO2)对TiO2-Al2O3-CaO-SiO2低碱度高钛渣黏度的影响.实验采用旋转柱体法在1633-1873K温度范围内对渣系熔体黏度进行了测量.当TiO2质量分数为23%-43%、Al2O3质量分数为3%-12%和二元碱度为0.3-0.7时,钛渣熔体黏度随TiO2含量和碱度的增加而降低,随Al2O3含量的增加而增加.通过对转底炉-电炉熔分过程渣系脱硫能力计算,得知在低碱度高钛渣中TiO2属于酸性.依据黏度测量数据和对TiO2属性的界定,通过修正Urbain模型建立了低碱度高钛渣的熔体黏度预报模型.模型预测结果误差为11%,证明新模型对于低碱度高钛渣的黏度具有良好的预报效果

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度

木建筑由于结构冗余性以及钉接节点超强的吸能耗能能力在抗震中表现良好.交叉层积木是一种新型的建筑材料.本文以交叉层积木3种柔性连接试验为基础,采用Open Sees中Pinching4自定义模型模拟连接滞回曲线的高度非线性、强度退化、刚度退化和捏拢现象.基于主次半循环累积能量的损伤模型,对交叉层积木连接进行损伤分析,并提出该连接的5种性能水平的损伤指数.Pinching4模型与连接试验结果吻合较好,进一步证明该模型模拟木节点连接性能的可行性和有效性.损伤因子对应的损伤程度基本符合试验规律,其平均值在合理范围内,计算结果离散性较低

表面张力是矿物棉生产的重要参数，直接影响到配料和工艺参数的选择.通过实验测量并建立模型预报系统研究了以高炉渣为主要原料制备矿物棉时熔体的表面张力.首先测量了SiO2（40%-60%）-Al2O3（5%-20%）-CaO（20%-30%）-MgO（5%）四元系的表面张力，其值处于350-500 m·m-1之间；然后结合文献报道的表面张力数据，利用人工神经网络技术建立了SiO2（35%-60%）-Al2O3（5%-20%）-CaO（20%-45%）-MgO（0-10%）四元渣系的表面张力预报模型.该模型对成分范围内的表面张力预报平均误差为9.32%，预报精度较高，可以预报矿物棉熔体成分范围内的表面张力

以平均粒径2.2μm、纯度99.99%的硅粉为原料,采用纯度99.993%的高纯氮气作为反应气体,在1350和1400℃下进行了氮化时间为10~30 min的氮化实验,得出了不同温度下硅粉转化率随反应时间的变化关系.将硅氮反应看成非催化气固反应,建立了硅颗粒氮化动力学模型.通过对实验数据的拟合,得出两个模型参数:硅氮反应速率常数和氮气在产物层中的扩散系数.假定反应速率常数和扩散系数均满足阿伦尼乌斯公式,求得化学反应激活能和指前因子分别为2.71×104J·mol-1和3.07×10-5m·s-1,扩散激活能和指前因子分别为1.06×105J·mol-1和1.12×10-9m2·s-1.利用本文得出的氮化动力学模型对各温度下不同粒径硅粉的转化曲线进行了预测,预测曲线与文献中的实验数据在趋势上吻合较好

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果

建立了折流式移动流化床内粉铁矿预还原的二维气固反应流CFD模型.模型的数值求解采用PHOENICS和FLUENT的联合求解.与之前的实验结果相比,在冷态条件下单床层平均压降和气固相流动行为的数值模拟结果与其基本一致,得出所提出的数学模型是可靠的.在此模型基础上,对采用COREX输出煤气对铁矿粉预还原的工艺过程进行热态模拟.在模拟的工况条件下,还原气温度的整体降幅700 K,气相CO和H_2还原势的利用率分别达到38%和26%,矿粉的还原分数达到75%,即反应器内有良好的气固换热而且对COREX煤气还原势的利用率较高,实现了对还原气热能和还原势的梯度利用

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确