为进一步揭示柔性隔离层下散体介质流动过程的内部作用机理，基于离散元软件PFC开展了柔性隔离层下散体介质流力链演化特征的数值试验研究。结合接触力学及统计力学相关知识，对多漏斗放矿过程中散体介质体系内力链长度、数量、强度、方向和准直系数等的演化特征进行了量化研究。研究发现：多漏斗放矿过程中，强接触及力链接触占比均比较稳定，其中强接触占比稳定在33%左右，力链接触占比稳定在16%左右，上下波动幅度均不超过2%；力链总数随着放矿次数的增加不断波动减少，并在放矿后期稳定在790条左右；不同放矿次数下力链长度的概率分布几乎一致，均随着力链长度的增加呈指数形式递减；力链强度的概率分布随着放矿次数的增加先呈指数形式上升再呈指数形式下降，并在0.7$\\bar F$

由于转炉冶炼过程中的热力学和动力学反应复杂，副枪控制模型和传统的烟气分析模型存在很大的局限性，导致了转炉冶炼终点碳含量的预测精度偏低，是实现智能炼钢的主要技术瓶颈. 针对上述问题，提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先，利用烟气分析得到连续监测的实时数据，以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后，根据熔池反应所处的不同阶段，利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上，按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数，从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例，证实函数型数字孪生模型具有良好的自学习和自适应能力，对异常冶炼状态具有良好的鲁棒性，可以实现全过程的熔池碳含量动态预测，终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是，在保证入炉原料成分、温度、质量等参数稳定的前提下，采用该模型可以有望取消基于副枪的停吹取样步骤，从而降低生产成本，提高产品质量和生产效率，具有广泛的工业应用前景

在程序设计的过程中,数据的组织和表示是很重 要的,因为数据是程序的处理对象,数据的表示形式 关系到整个程序的运行效率和解决问题的能力,前面 我们已经初步了解了数据的最基本形式-整数、实数 字符、字符串等基本数据类型,也学习了在面向对 象的程序设计环境下,类和对象的构造和组织。下面 我们进一步学习其他在基本数据类型的基础构造出来 的一些复杂数据类型,如数组、指针、结构、共用体 、枚举类型等。使我们在类和对象的设计过程中,可 以运用更多的数据类型

计算机所处理的数据以一定形式存放在内存中,数据 的存储方式以及能够进行的合法运算都与数据类型直 接相关。C++的特点之一就是提供了丰富的数据类型 ,以便处理各种不同的数据。数据类型总是与运算封 装在一起,本质上是面向对象的。本章将简要介绍 C++中的数据类型及相关运算,以及常量、变量、表 达式、语句等,最后介绍简单的输入输出方法

第五章数组 1.数组概念 2.一维数组 3.二维数组及多维数组 4.字符数组和字符串

本章首先介绍数字信号、数字技术和数字系统等基本概念，然后介绍计算机中各种进制数的表示方法，最后介绍逻辑代数的基本概念、公式和定理，逻辑函数的代数化简法和卡诺图化简法。逻辑代数是分析及设计数字电路的基本工具，逻辑函数化简是数字电路分析及设计的基础

定理2(收敛数列的有界性) 如果数列{xn}收敛,那么数列{xn}一定有界 证明设数列{xn}收敛于a 根据数列极限的定义,Vε=1,3N∈N+,当n>N时,有

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级

为了保证齿轮钢中非金属夹杂物的控制，并确定齿轮钢经济合理的总氧含量控制目标，开展了总氧含量对齿轮钢中非金属夹杂物的影响研究。以三种不同总氧含量的Mn–Cr系齿轮钢为研究对象，利用Aspex扫描电镜、极值法、疲劳测试等不同方法研究了齿轮钢中非金属夹杂物数量、分布、尺寸等，获得了夹杂物与齿轮钢总氧含量的对应关系。在本文实验条件下，随着总氧含量的降低，钢中氧化物夹杂数量不断减小，其中5～10 μm的小尺寸夹杂物减小最明显，而10 μm以上的大尺寸夹杂物数量变化规律不明显。另外，极值法和疲劳试验结果表明，总氧含量高时（质量分数为0.0013%），钢中最大氧化物夹杂尺寸也较大，比总氧质量分数为0.0010%和0.0005%的实验钢的最大夹杂物尺寸高10 μm以上，且当总氧含量比较低时（质量分数≤0.0010%），实验钢总氧质量分数变化（0.0010%、0.0005%）对钢中最大夹杂物尺寸影响不大