针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法

采用调频连续波（Frequency modulated continuous wave, FMCW）雷达实现非接触式生理信号检测，并提出了基于小波分析和自相关计算（Wavelet analysis and autocorrelation computation, WAAC）的检测方法。首先，毫米波FMCW雷达发射电磁波信号，并接收来自身体的反射信号。然后，通过信号预处理从中频信号中提取包含呼吸和心跳的相位信息，消除直流偏置并完成相位解缠。最后，基于小波包分解（Wavelet packet decomposition, WPD）从原始信号中得到心跳和呼吸信号，利用自相关计算减小杂波对心跳信号的影响，进而提取高精度的心率参数。应用FMCW雷达对10名受试者进行实验测试，结果表明本文方法得到的呼吸和心率的平均绝对误差率平均值分别小于1.65%和1.83%

螺纹插装式溢流阀阀套精加工采用碳氮共渗后磨削的制造工艺，内锥面的形位误差会影响溢流阀的使用寿命和静动态特性，制造过程需要精准控制内锥面的误差。通过对工艺分析建立制造误差模型并应用研究，由此获得内锥面自身角度的合理误差范围，以及内锥角误差与磨削量之间的变化关系。根据阀套结构特点设计专用的检测装置，并对检测原理和测量误差进行分析，通过误差校对提高检测精度。对热处理后的阀套进行轴向尺寸分组，并采用基准统一原则，保证磨削制造精度的稳定性。根据检测原理和误差模型对试磨件进行误差计算，并据此调整磨削参数，使制造误差合格；后续制造时采用检测装置快速测量阀套的密封圆轴向尺寸，使制造误差均落在控制范围内，保证批量生产的可控性。研究表明，基于某型溢流阀的设计及工艺参数，内锥面自身角度的实际制造误差控制以±0.8°为宜，对应的密封圆轴向最大磨削公差为0.186 mm、修正后的最小磨削公差为0.075 mm；实验验证了误差模型的准确性，所述检测方法的角度测量误差为0.06°、密封圆轴向尺寸测量误差为2 μm，因角度测量误差带来的最大、最小磨削量范围偏差可通过内锥角实际制造误差的收缩进行补偿；所研究的理论与方法也为其他内锥面的制造控制及逆向工程提供了系统的方法

水力压裂过程中支撑剂的注入是为了防止地应力将已压裂出的裂缝重新闭合。为了研究复杂裂缝网络中支撑剂的运移分布规律，及支撑剂非均匀分布对开采动态规律的影响，基于作者之前提出的数个数学模型，建立了致密储层压裂注砂开发耦合计算模型。通过计算结果可以得知：裂缝网络中，支撑剂会在裂缝交汇处大量堆积，砂堤高度高于缝网其他部分。次级裂缝中的支撑剂更多的处于悬浮状态，且支撑剂沉降堆积高度相较于主裂缝小25%～50%，相互沟通的次级缝具有更高的支撑剂沉降程度。缝网中支撑剂非均匀分布对模拟计算结果具有较大影响，当储层渗透率为0.05 mD时，忽略支撑剂非均匀分布计算出的产量高出实际值41.7%，因此在进行低渗透率储层模拟时，支撑剂非均匀分布状态不可忽略；当基质渗透率为5 mD时，产量计算差异在5%以内，此时不考虑支撑剂非均匀分布相对合理

以中碳结构钢大方坯及其热轧棒材为研究对象，通过对铸坯和轧材进行低倍侵蚀和成分分析，揭示了连铸控流模式对大方坯凝固组织与宏观偏析分布特征的影响及其铸轧遗传性。研究表明：常规直通水口浇注模式下，结晶器电磁搅拌(Mold electromagnetic stirring, M-EMS)电流由0增加到800 A，铸坯等轴晶率由6.06%仅可增加到11.71%，难以有效避免大方坯常见的中心缩孔缺陷与突出的中心线偏析。采用新型五孔水口浇注模式，即使不开启M-EMS，铸坯中心等轴晶率仍可达23.1%，大方坯中心缩孔级别可降至1.0级以下，满足后续热轧大棒材探伤要求。同时发现，五孔水口浇注模式下，大方坯铸态组织中往往会出现较为明显的柱状晶到等轴晶转变(Columnar to equiaxed transition, CET)区，铸坯断面碳偏析指数呈M型分布，表现为断面1/4位置CET区域碳偏析指数最高。大棒材轧制基本改变不了铸坯断面宏观偏析的分布形态，且可能导致中心线偏析指数增加。同时指出，基于连铸控流模式的作用规律和铸?轧遗传性特征，以及特殊钢长材热加工对中心致密度和偏析分布与程度的要求，实际生产中应从连铸工艺源头合理地控制铸态组织与宏观偏析分布形态

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

把砂井地基上下边界视为半透水边界,以研究顶部垫层和底部下卧层透水特性对砂井地基固结过程的影响.根据轴对称固结方程和等应变假定,利用Hansbo法获得了真空联合堆载预压下半透水边界砂井地基的固结解答,分析了上下边界透水系数对真空和堆载预压固结度和沉降的影响,比较了真空单独预压下本文解与Indraratna等解答和周琦等解答的联系和差别.研究表明,(1)不管真空预压还是堆载预压,固结时间因子相同时地基固结度随边界透水系数增大而增大.(2)对于真空预压,下边界透水系数越大,地基的最终沉降越小,固结期间时间因子相同时的沉降也越小;上边界透水系数越大,固结期间时间因子相同时的沉降越大.(3)对于堆载预压,不管上边界还是下边界,边界透水系数越大,最终沉降不变,而固结期间时间因子相同时的沉降越大.(4)当真空预压上边界透水时,周琦等解答的固结度大于本文解答的固结度大于Indraratna等解答的固结度.为了提高真空预压的最终沉降,需减少地基下边界的透水性

为了研究工艺参数对连续流化床内铁矿粉还原效果的影响规律,建立了两级连续流化床内氧化铁还原及煤气氧化耦合动力学模型.R1级流化床主要为FeO的还原,采用优质煤气作为还原剂,FeO来自R2级反应器;R2级流化床主要将Fe2O3还原到FeO,Fe2O3来自预热的R3流化床反应器,还原气来自R1还原尾气.模型主要计算结果与文献吻合.并以此为模型研究了矿粉粒度、流化床内压力等参数对流化床还原效果的影响.为了取得矿粉平均金属化率不小于85%、煤气利用率不低于38%和气矿比950~1050 m3·t-1的还原效果,流化床应满足如下工艺条件:矿粉平均粒度1.5 mm以下,流化床温度780~800℃,煤气还原势不低于93%,惰性气体体积分数小于5%,R1流化床内煤气平均压力3.5×105~4.0×105 Pa,停留时间的倒数ug/H=1.0~1.1 s-1,R1流化床矿粉平均停留时间30 min,R2流化床矿粉平均停留时间20 min

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义

采用水热法和还原氮化法合成了菊花状形貌的氮化钛（TiN）纳米材料，并将其与还原氧化石墨烯（rGO）水热复合制备了氮化钛–还原氧化石墨烯（TiN-rGO）复合材料。利用扫描电镜、X射线衍射、X射线光电子能谱等测试方法对材料的形貌和物相进行了表征和分析。结果表明，TiN-rGO复合材料很好地保持了TiN菊花状的三维结构和rGO透明褶皱的形貌，且层状的rGO均匀地包覆在了菊花状的TiN的周围。用TiN-rGO复合材料修饰玻碳电极（GCE）制得了TiN-rGO/GCE电化学传感器，用于测定人体中的生物小分子DA和UA。由于复合材料中TiN和rGO的协同效应，构建的电化学传感器表现出了优秀的电化学性能。检测结果表明：TiN-rGO/GCE传感器对DA和UA的检测限分别为0.11和0.12 μmol·L?1，线性范围分别为0.5～210 μmol·L?1和5～350 μmol·L?1，且具有良好的抗干扰性、重现性和稳定性，且成功应用于人体内真实样品的DA和UA检测