不同螺旋角折流板换热器流动与传热性能研究

提出了连续型螺旋折流板换热器特征螺旋角的定义方法,通过数值模拟对不同特征螺旋角的连续型螺旋折流板换热器流动与传热性能进行了分析,并进行了实验研究。结果表明,连续型螺旋折流板换热器螺旋折流段内流体呈周期性螺旋流动,在中心轴向位置不存在柱塞流。特征螺旋角越大,连续型折流板换热器的综合性能越好,特征螺旋角为14°的换热器综合性能最优,比其他不同特征螺旋角换热器综合性能平均高出59%～1192%。在高黏度介质、高Re下,特征螺旋角对壳程压降的影响比传热系数更为显著;实验研究结果与数字模拟相符。研究结果为连续型螺旋折流板的结构优化设计提供了参考。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

渤海湾盆地沙垒田地区新近纪走滑断裂发育特征及其对油气富集的控制作用

沙垒田凸起地区是渤海海域西部新近系油气最为富集的区域，为了明确新近系走滑断裂发育特征及对油气富集的控制作用，依托连片高精度三维地震、钻井取心等资料，对走滑断裂类型及发育特征进行了详细刻画，并对走滑断裂与成藏要素之间的关系进行了探讨。综合研究表明：研究区发育断穿基底走滑断裂、盖层走滑断裂及伸展-走滑断裂三种不同类型走滑断裂；走滑断裂对圈闭的控制作用表现为在不同类型走滑断裂控制下，断裂带内及断裂带间形成了多种类型圈闭，其中大型披覆背斜圈闭、断鼻、断背斜圈闭为有利圈闭，小型断块圈闭为不利圈闭；走滑断裂对输导体系的控制作用体现在断裂活动控制了骨架砂体输导体系及断裂输导体系的形成发育，有利于周边凹陷成熟烃源岩排烃及运移输导；走滑断裂对储层的控制作用表现为走滑作用形成的高角度裂缝提高了储层渗透率，改善了储层物性。新近纪普遍发育的走滑断裂是研究区油气富集的主控因素。     

宁强县纳家河坝金镍矿地质、物化探异常特征 及找矿前景

对宁强县纳家河坝金镍矿的成矿地质背景、物化探异常特征进行研究,分析该区的找矿前景,对下一步地质找矿具有指导意义。     

医学专业大学新生适应问题与应对方式、人格特征相关研究——以海南医学院医学新生为例

目的:了解医学专业大学新生适应问题的现状,不同医学生在适应问题、应对方式的选择及人格特质层面的差异并分析适应性与应对方式及人格特质的关系。方法:采用大学生适应性量表(CCSAS)、大五人格量表以及应对方式量表对海南医学院322名医学专业大学新生进行测评。比较不同性别学生各量表评分情况,分析各量表间的相关性。结果:男学生校园生活适应、情绪适应评分及适应性总分均高于女学生(P<0.05)。不同性别学生各项应对方式评分及总分比较,差异均无统计学意义(P>0.05)。男学生情绪稳定性、外向性及宜人性评分低于女学生(P<0.05)。外向性、开放性、宜人性和谨慎性与适应性量表各维度均呈正相关(P<0.05),情绪稳定性与适应性量表各维度均呈负相关(P<0.05)。解决问题和求助与适应性量表各维度均正相关(P<0.05),适应性量表各维度和自责、幻想、退避及合理化均呈负相关(P<0.05)。结论:医学专业大一新生对大学新生活存在不适应问题,其中男生对新环境的适应性更强,女生情绪稳定性、外向性及宜人性更强。外向性、开放性、宜人性和谨慎性与适应性均呈正相关,情绪稳定性与适应性均呈负相关;解决问题和求助与适应性均正相关,自责、幻想、退避及合理化与适应性均呈负相关。     

基于聚类的数据加权优化在犯罪预测中的应用

近年来，我国传统暴力犯罪与成年人犯罪呈下降态势，但是，犯罪案由层出不穷。为有效提升公安实践工作中犯罪预测能力，打击各类违法犯罪事件,本文针对犯罪数据，提出一种新型犯罪预测模型。利用密度聚类分析方法将犯罪数据分类，然后进行数据降维提取关键属性生成特征数据，继而对特征数据进行加权优化并采用机器学习的方式对特征数据进行学习，从而预测犯罪案由。实验结果表明，与传统方法相比，本文方法具有更好的预测效果，为公安实践工作中类似案件的侦破和预防，提供新的路径支撑。