基于格子Boltzmann和POD方法的非定常流场重建

以二维圆柱雷诺数Re=100绕流为研究对象,在格子Boltzmann方法模拟非定常流动的基础上,利用本征正交分解(proper orthogonal decomposition, POD)算法获取二维圆柱绕流周期性稳定脱落阶段POD基函数及对应的系数,用以实现非定常流场的重建,并研究不同POD模态阶数对重建效果的影响。结果表明：前5阶POD模态占总能量的99%,可以准确地重构流场,流场重构误差最大绝对值为8×10^-4;随着模态阶数的增加,流场主要特征表达得越细致,且流场重建误差由大幅度降低,缓慢减低到趋于稳定几乎保持不变。     

基于经验模态分解的粒子图像测速流场重构研究

为了消除PIV流场数据中的错误数据并降低误差,利用经验模态分解将PIV流场数据分解为多个本征模态分量,对波形异常的本征模态分量进行滤波处理,并将处理后的本征模态分量与其他波形平滑正常的本征模态分量进行反向叠加,有效实现了流场数据的重构和错误数据的消除。当分解得到的本征模态分量较多且错误数据集中在某一个本征模态分量时,可以通过求解各个本征模态分量与原始流场数据的相关系数,将与原始流场数据相关的本征模态分量进行反向叠加重构并摒弃与原始流场数据不相关的本征模态分量,实现错误数据的直接消除。利用本方法分别对2个人为添加误差为1.7%和3.3%的标准模拟流场进行了处理,处理后的流场数据误差分别为0.002%和0.18%。采用该方法对某实验的原始流场数据进行处理,结果表明错误数据得到了有效消除,流场特性更加清晰准确。本研究可为减小变化缓和的流场数据的误差提供一定的指导。     

基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

基于Fluent的海底管线附近流场分析

针对单向海流作用下海底管道附近的流场问题,通过一定的假设,将问题简化为定床条件下的二维圆柱绕流问题. 采用不可压缩的N S方程和标准k ε湍流模型,模拟了置于床面的管道附近流场,结果与实验一致;同时,很好地模拟了悬空管道后方涡旋的生成、发展和脱落过程. 在此基础上,计算了不同流速和间隙比等条件下的多种工况,指出了管道附近的易冲刷区域,并进一步分析了绕流流态变化、床面切应力和管道上下游床面压差的分布特点,为防止管道附近床面的冲刷提供科学依据.     

基于经验模态分解的CEEMDAN-FE-LSTM传染病预测

针对现有的传染病预测模型未充分考虑到时间序列的复杂度,提出了一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和模糊熵（FE）改进长短时记忆网络（LSTM）的传染病组合预测模型.首先,运用CEEMDAN算法将序列分解成若干个不同频率的模态分量与残差分量,以降低原始时间序列的复杂度;然后,运用FE算法计算各分量的时间复杂度,并将其重构为不同尺度的序列以提高运算效率;最后,建立LSTM模型对重构序列分别进行预测,得到最终预测结果.根据2010年1月至2021年12月肺结核、乙肝、布鲁氏菌病和艾滋病发病数据进行模型预测,并与SARIMA模型、CEEMDAN-FE-SARIMA模型和LSTM模型进行对比.结果表明,提出的模型较常规模型可以更好地把握传染病发病的变化规律,降低时间序列的复杂度,提高传染病预测精度.     

基于变分模态分解与注意力机制的海洋风速预测

海洋风速预测对远洋航行安全与航线规划具有重大影响.风速同时受多种外在自然因素影响,表现出强烈的非线性、非平稳性与随机性等特性,使得预测准确性受到极大考验.为提高风速预测准确性,创新性地提出一种基于变分模态分解与融合注意力机制的神经网络的风速预测方法.首先,利用变分模态分解将风速序列分解为一系列调幅调频信号,以降低数据复杂度,有效提取特征并提高噪声鲁棒性,减少风速自身对预测准确性的影响.其次,对分解后的不同模态子序列利用融合注意力机制的神经网络进行风速预测.最后,用实测数据验证所提方法的有效性.与其他典型风速预测模型相比,所提方法可有效提高风速预测准确性.     

基于逆向工程的曲面模型重构及误差分析

研究了逆向工程模型重构、误差分析理论和应用技术。以发动机前主轴承盖为研究载体,使用逆向造型软件Imageware进行了模型重构和误差分析工作。运用三坐标测量机INFINITE对样件进行非接触测量获取其外形点云数据,对点云数据进行了合并、去除噪声点、取样等处理,在此基础上进行了不同的方法曲线和曲面重构,并将构建出的模型与原始点云对比,进行误差分析得到合理的误差结果,建立了指定误差范围内的曲面模型。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的预测效果进行验证,得到其预测结果的平均绝对误差、均方根误差、平均绝对百分比误差分别为402.951 8、588.945 1、0.042 6.对比仿真进一步表明,同等条件下,基于经验模态分解和深度神经网络协作的短时电力负荷预测方法相较于单一的深度神经网络预测方法,在效果上精度更高,可用于对短时电力负荷的预测.     

结构能量反应的振型分解法研究

文章利用振型分解理论实现了弹性体系能量方程的振型分解,得出各阶模态能量反应方程,并提出了模态能量的概念;指出结构能量反应方程可以表示为各阶模态能量方程的叠加,并给出了结构总能量反应与SDOF体系相应能量反应间的关系式。此关系式有较强的物理意义,可从能量的角度反映Pushover分析中一些方法的合理性。     

动态弹塑性扭转问题的区域分解方法

研究了动态弹塑性扭转问题描述的发展型变分不等式的区域分解方法，给出了方法的实现步骤及收敛性结果，实现了一维、二维数值算例，说明了方法的有效性．     

基于有限元法的点线啮合齿轮动力学模态分析研究

使用ANSYS的未激励齿轮的齿廓、周期变化、APDL语言建立了齿轮系统的虚线网格的参数模态分析模型.采用APDL线性点网格分析表定义了一个特殊的界面,输入参数岍自动读取,调用分析仪岍执行动态屚计算.通过分析固有频率与阶数之间关系来反映点线啮合齿轮动力学模态变化过程,以及通过压力角与阶数之间关系折寋出寅模态的影响过程.此分析程岚的开发寅点线啮合齿轮拟态的分析和设计能力奠定了强有力的基础.     

微型齿轮泵内流场的动网格模拟和分析

采用Fluent软件的动网格技术,结合k-ε模型对外啮合微型齿轮泵的内部流场进行仿真分析,模拟和分析微齿轮中心距和转速对出12平均速度的影响.对内部流场分析结果表明,齿轮中心距影响流量,转速与流量成线性关系,内部流场的稳定时间与齿轮中心距无关,模拟结果与实验数据较为吻合.     

基于有限元法的点线啮合齿轮动力学模态分析研究

使用ANSYS的未激励齿轮的齿廓、周期变化、APDL语言建立了齿轮系统的虚线网格的参数模态分析模型。采用APDL线性点网格分析表定义了一个特殊的界面,输入参数并自动读取,调用分析仪并执行动态差计算。通过分析固有频率与阶数之间关系来反映点线啮合齿轮动力学模态变化过程,以及通过压力角与阶数之间关系折射出对模态的影响过程。此分析程序的开发对点线啮合齿轮拟态的分析和设计能力奠定了强有力的基础。     

改进的NExT-ERA时域模态识别法的误差分析

为进行结构损伤识别,用时域模态识别的NExT-ERA法,从脉动激励和测量噪声下有限时长和时间间隔的结构反应中提取高精度模态参数。改进的相关函数估计公式可消除传统相关估计引起的模态参数误差;利用稳定图对不同系统的阶进行识别,以减小系统定阶误差并选择高精度模态;根据Hankel阵奇异向量、奇值和模态参数的对应关系,分析时域模态识别误差的规律和影响因素。用某三自由度框架和主跨1 650 m的西堠门悬索桥模型验证有效。     

森林资源动态预测的理论与方法

在用一维Kalman滤波研究森林资源动态基础上,介绍了二维Kalman滤波的原理与方法,并以浙江省丽水市森林资源连续清查样地的地理坐标建立二维坐标系,以样地森林面积和森林蓄积为状态向量,应用二维Kalman滤波研究森林资源动态。结果表明：对森林蓄积动态及样地个数较多、面积较大的用材林和防护林的面积动态预测效果良好,而对于样地个数较少、变异系数较大的样地如特用林和未成林造林林地的面积动态预测误差较大,如要作准确预测,则需要加大这些样地的抽样个数。     

ModalPushover的改进方法及误差评估

在对Modal Pushover方法的原理及误差进行评价的基础上,结合与整体目标位移延性系数相对应的钢筋混凝土框架构件刚度折减系数的合理取值,提出了Modal Pushover的改进方法.为考察高阶振型参与程度的影响规律,以10层和16层钢筋混凝土平面框架为例,将框架在7条地震动波不同峰值加速度作用下的非线性地震反应统计结果作为对比基准点,研究Modal Pushover方法、改进Modal Pushover方法的分析结果随框架周期、地震动强度增加的误差变化规律.研究表明,Modal Pushover方法、改进Modal Pushover方法的误差并不随着框架周期加大而增加,表明该方法能合理地考虑高振型参与反应的影响;框架非线性程度加深后,改进Modal Pushover方法可在一定程度上降低MPA(Model Pushover Analysi)方法的误差.     

应用Adomian分解法求解免疫反应的数学模型

为加强对免疫反应动态机理的了解,用Adomian分解法求解一类免疫反应的数学模型,由此可同时得到模型的解析解和数值解.与Runga-Kuta法相比,Adomian分解法的数值结果具有更高的精确性和收敛速度.除免疫反应外,该方法还可推广到其他用微分方程描述的生命系统模型的求解.