高压管汇材料疲劳性能测试及P-S-N模型曲线的拟合

高压管汇作为压裂设备中的主要易损件之一,其失效危害较大。它的失效原因主要是疲劳、冲蚀、腐蚀或者材料缺陷引起的刺漏和爆裂,其中尤以疲劳失效最不可预估。目前,对于高压管汇材料的疲劳性能研究不够深入,为解决高压管汇材料疲劳寿命的准确描述问题,以某国产高压管汇材料为例,进行了一系列疲劳试验,并基于试验数据,采用多种分布模型和不同S-N模型进行拟合分析,得出综合评价拟合能力最强的P-S-N模型。结果表明,该材料在中长疲劳寿命区,Weibull三参数模型在7级应力水平下综合评价能力最好;在存活率分别为50%、90%、99%、99.9%时,指数S-N模型的拟合系数均大于0.98,拟合能力最好。得出的P-S-N模型曲线可以为高压管汇的疲劳寿命以及安全设计提供依据。

《医林改错》脏腑理论模型的构建与运用

王清任一生的医学贡献凝聚于一册薄薄的《医林改错》,其构建的脏腑理论模型具有生理学与病理学的双重含义,具体可分为“气血运行模型”和“水谷运化模型”。前者侧重于病理探讨,生理描述亦多,可细分为“气运模块”与“血运模块”;后者常见于生理阐释,病理描述甚少,可细分为“水运模块”与“谷运模块”。“气运模块”的生理功能以存储和运行元气、津液为主,其病理变化以津液失常和气虚为主;“血运模块”的生理功能以存储和运行血液为主,其病理变化以血瘀为主;“水运模块”的生理功能主以运行水液,“谷运模块”的生理功能主以运化谷物,二者的病理变化均较少涉及。

油气行业人工智能大模型应用研究现状及展望

阐述了大模型技术的概念,总结了大模型技术的国内外研究现状,综述了大模型在垂直领域的应用现状,梳理了油气行业大模型应用面临的挑战,并对油气行业大模型应用进行了展望。现有大模型可粗略分为3类,即大语言模型、视觉大模型和多模态大模型。油气行业大模型应用刚刚起步,部分油气企业基于开源大语言模型,利用微调、检索增强等方式发布大语言模型产品,部分学者尝试利用视觉/多模态基础模型研发面向油气业务的场景模型,还有少数学者构建地震资料处理解释、岩心分析等领域的预训练基础模型。油气行业大模型应用面临数据量和数据质量难以支撑大模型训练、研发投入成本高、难以实现算法自主可控等挑战。油气行业在应用大模型时应始终聚焦油气主营业务需求,以大模型应用为契机,加强数据全生命周期管理,提升数据治理能力,推动融合算力建设,加强“人工智能+能源”复合团队建设,推动大模型技术自主可控。

风电机组设计标准中风模型的演变过程

风参数是风电机组设计中最重要的外部环境参数,其取值直接影响风模型的准确性,进而影响风电机组的设计成本及其在现场环境中的适应性。为了使中国风电行业从业者了解风电机组设计标准中风模型的演变过程,在风电机组设计开发、适应性评估等各个阶段选用更为合适的风模型及其参数,重点介绍了正常湍流模型(NTM)、极端湍流模型(ETM)、极端运行阵风(EOG)模型、方向变化的极端相干阵风(ECD)模型、极端风剪切(EWS)模型等风模型的修订背景、修订方法及其影响。虽然IEC 61400-1系列标准中的风模型根据行业应用经验在不断演变,但随着风电机组大型化发展趋势,风模型的真实代表性仍面临巨大挑战,尤其是50年重现期的极端工况下的风模型,很难通过实测数据验证,其在不同现场的代表性和合理性值得进一步探究。

多模型耦合的流域水土流失监测方法研究

濑溪河流域存在严重的水力侵蚀,同时伴随着水土流失分布点多线长面广的特点。而现有模型几乎只考虑了流域尺度上的坡面和河流侵蚀过程,或者是坡面和流域尺度的基本结合,导致对土壤侵蚀全过程的物理模拟产生高度不确定。为此提出不同尺度模型相互耦合的水土流失监测体系,从三级顺序“坡-沟-河”结构,全面反演流域水沙的时空动态迁移过程。基于多模型耦合体系的流域应用表明:①单一模型在濑溪河流域都表现出良好的适用性和准确性。RUSLE模型预测结果与实际侵蚀规律高度吻合,SWAT模型参数率定的纳什效率系数(NSE)和决定性系数(R^(2))均达到0.6以上,模拟预测结果鲁棒性较好。②不同侵蚀模型的特征反演相互关联程度都达到极显著相关水平。WEPP和SWAT模型间R^(2)为0.96,RUSLE和WEPP模型间R^(2)为0.77,RUSLE和SWAT模型间R^(2)为0.58,分析表明坡面、细沟和河道尺度下的侵蚀物理过程是紧密耦合的。③多模型耦合的水土流失全过程风险评价较单一模型更为全面。通过对土壤侵蚀物理过程的空间耦合,实现流域土壤侵蚀、细沟冲刷和河道沉积等相关侵蚀过程的整体性评价,利于从不同尺度全面反演流域水沙输移的时空动态迁移过程和预测侵蚀风险发生规律。

视觉深度学习模型压缩加速综述

近年来,深度学习模型规模越来越大,在嵌入式设备等资源受限环境中,大规模视觉深度学习模型难以实现高效推理部署。模型压缩加速可以有效解决该挑战。尽管已经出现相关工作的综述,但相关工作集中在卷积神经网络的压缩加速,缺乏对视觉Transformer模型压缩加速方法的整理和对比分析。因此,本文以视觉深度学习模型压缩技术为核心,对卷积神经网络和视觉Transformer模型2个最重要的视觉深度模型进行了相关技术手段的整理,并对技术热点和挑战进行了总结和分析。本文旨在为研究者提供一个全面了解模型压缩和加速领域的视角,促进深度学习模型压缩加速技术的发展。

基于边塌陷减面的实景三维模型轻量化技术

实景三维模型由于其丰富的场景展现能力,广泛应用在数字孪生和地理测绘等领域。然而,丰富的三维场景和细节所包含的数据量十分庞大,给实景三维模型的存储、传输、渲染与展示带来了极大的挑战。针对上述问题,本文提出了一种面向实景三维模型的轻量化处理方法,首先引入模型预处理技术,去除模型噪音和非流行边;然后通过边塌陷减面的轻量化算法,精简模型拓扑结构;最后加入反转检测算法,防止边塌陷过程中出现面反转的情况。对张家界景区4个真实场景的测试结果表明,该技术可以在保留模型整体外观和场景细节的基础上,压缩至原始模型大小的3.7%~10.9%,使得复杂场景的实景三维模型能够在计算机中更加快速真实地反映或显示世界的地理地貌或城市建筑。

大语言模型与语言研究的双向赋能与融合发展

大语言模型(以下简称“大模型”(1))是当前生成式人工智能最主流的技术,具有强大的生成、迁移与交互能力。简单地说,该技术通过训练模型阅读海量文本,使其在语言表达、即时对话、任务规划、逻辑推衍等许多方面具备了与人类媲美的能力。目前,学界业界主要围绕3个方面开展大模型的研究:(1)倾尽所有算力,通过提高数据质量、优化模型架构和训练策略等各种手段来研发基础、通用大模型,提升模型能力;(2)深入探索大模型的机理,拓展其性能,将最初仅能处理文本的模型,推向兼具文本、语音、图片、视频处理能力的多模态大模型;(3)开发专用或领域大模型、多智能体框架,以满足特定目标,拓展其应用场景。这些研究为大模型应用奠定了物质基础,为大模型的使用者提供了模型选择空间。

守正与创新——读交通模型新技术专题有感

交通规划模型是科学决策支持的重要工具。其所具备的基于内在规律的分析说明能力,使其在大数据和人工智能时代仍然保持不可替代的技术地位。20世纪50年代,交通规划模型技术体系开始初步形成,并在美国底特律和芝加哥交通研究中得到有效应用,开创了量化分析在交通规划决策支持中的新局面。经过70多年的不断发展和完善,交通规划模型理论的应用场景也不断丰富。面向出行需求建模,四阶段模型(Four-Step Model,FSM)、出行链模型(Tour-Based Model,TBM)、活动模型(Activity-Based Model,ABM)和智能体模型(Agent-Based Model,AgBM)等建模理论和方法被陆续提出并得到实践。

模型建构、解释及预测系列(1):孟德尔的遗传因子

前面曾经介绍过跨学科概念“系统与模型”。模型包括了实物模型(如地球仪)、理论模型(如生物进化论)、符号模型(如化学反应式)。科学家利用“系统与模型”的概念,可以把系统进行简化。由于简化后的模型易于进行分析,有助于发现系统内在的规律。所以科学家的工作经常涉及如何根据已知的现象建构模型(通常是理论模型),通过检验后将模型上升为科学原理,可以解释一些现象、指导后续研究,甚至可以预测新现象。

模型建构、解释及预测系列(2):原子模型的变迁

在物质科学领域(包括科学、物理、化学)中有大量的模型,帮助我们更好地了解科学现象或原理,如原子模型、光的传播模型、受力模型、化学反应模型等。

小学生跨学科素养测评模型构建与应用研究

跨学科素养是小学生学习发展的关键素养,构建科学、合理的跨学科素养测评模型是开展小学生跨学科素养有效监测与提升的重要保证,对打破学科知识壁垒、培育新时代拔尖创新人才具有重要现实意义。研究遵循成熟的教育测评模型构建范式,厘清了小学生跨学科素养操作性定义,构建了包含跨学科知识、跨学科能力和跨学科情意3个一级指标、8个二级指标的小学生跨学科素养测评指标体系,开发了《小学生跨学科素养测评量表》,基于探索性、验证性因素分析以及层次分析法,构建了小学生跨学科素养测评模型:Y=0.306*Y1+0.412*Y2+0.282*Y3,其中Y表示小学生跨学科素养,Y1、Y2、Y3分别表示跨学科知识、跨学科能力、跨学科情意。应用该模型对全国东、中、西部地区12省市的18166名小学4—6年级学生进行测评,初步验证了模型的科学性、有效性与可操作性,并依据测评结果提出提升小学生跨学科素养的对策建议。

住院老年患者轻度认知功能障碍风险预测模型的构建

目的 探讨住院老年患者轻度认知功能障碍(mild cognitive impairment,MCI)的影响因素,构建并比较多组MCI相对风险预测模型。方法 采用方便抽样法,选择2023年1月至2023年9月在新疆医科大学第一附属医院老年医学科住院的老年患者,构建Logistic回归预测模型、决策树预测模型、神经网络预测模型并分析MCI的影响因素,采用受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under curve,AUC)比较三组预测模型的效能。结果 共纳入住院老年患者992例,MCI检出率为21.17%。多因素Logistic回归模型、决策树模型、神经网络模型分析结果均显示年龄、脑血管病、文化程度为MCI的主要影响因素,多因素Logistic回归模型和神经网络模型还显示日常生活能力也是MCI的影响因素。多因素Logistic回归预测模型预测正确率为89.1%,ROC曲线下面积AUC为0.933[95%CI(0.916,0.950)],灵敏度为0.881,特异度为0.852,约登指数为0.733。决策树预测模型预测正确率为86.1%,AUC为0.908[95%CI(0.888,0.927)],灵敏度为0.919,特异度为0.753,约登指数为0.672。神经网络预测模型预测正确率为88.7%,AUC为0.933[95%CI(0.915,0.950)],灵敏度为0.876,特异度为0.861,约登指数为0.737。三组模型预测结果均>70%,预测效能较好。结论 年龄增加,受教育年限短,患有脑血管病,日常生活能力下降会增加老年患者发生MCI的风险。多因素Logistic回归、决策树、神经网络多组模型可从不同层面挖掘MCI的影响因素,多模型的有效结合能更充分的了解不同因素之间的相互作用,为MCI的早期筛查和干预提供参考。

论大语言模型材料的证据属性——以ChatGPT和文心一言为例

以ChatGPT和文心一言为代表的大语言模型产生海量大语言模型材料,此类材料进入社会生活并产生广泛影响,讨论大语言模型材料证据属性具有重要意义。大语言模型材料可以成为证据,但是否具有证据资格需要在具体个案中进行判断。从诉讼效率出发,大语言模型证据在不同诉讼中的呈现形式可以有所区别:一般案件可以仅举示人机交流材料和使用者本地环境信息,重大案件则应完整举示。大语言模型材料区别于大数据证据和一般的人工智能证据,具有直观性强、可解释性弱、偏在于少数技术公司、可识别性弱等特点。

对化学教学中“模型认知”的认识与思考

模型认知是高中化学课程标准的核心素养之一。当前在中学化学学科领域内,关于模型及建模的研究主要集中在模型认知视角下的教学研究、建模教学在中学化学中的应用、中学化学复习课中模型的建构与应用研究等三个方面。模型的定义和化学模型的分类能帮助教师和学生更好地认识模型。模型定义的核心表达是为了某种特定的目的,利用简化、抽象、类比等方法,对事物的本质进行表征,将抽象思维外显化。化学认知模型和化学认识模型共同指导化学学科知识的学习,基于模型的教学策略是落实模型认知素养的重要途径之一。

大模型关键技术与应用

介绍了自ChatGPT发布以来,大模型关键技术和应用的主要进展。在大模型设计方面,模型规模不断增加,但已有放缓趋势,更长的上下文以及多模态已经成为主流,计算效率明显提升;在模型训练方面,从单纯追求数据数量逐渐转变为关注数据的多样性和质量,特别是如何使用合成数据训练大模型成为主流探索方向,这是迈向通用人工智能(AGI)的关键;在模型推理方面,模型量化和推理引擎优化极大降低了模型使用成本,诸如投机采样等新兴算法逐渐成熟。在应用层,Agent技术获得了重大进展,在克服大模型固有缺陷方面发挥了不可替代的作用。越来越多的企业开始规划、研发以及使用大模型,企业级大模型应用架构日益成熟完善,并以场景、技术、算法三要素为抓手加速大模型商业价值闭环。

基于遗传算法的磨削力模型系数优化及验证

在磨削力模型求解问题中,目前大多使用分段计算法或列方程组直接计算各个待求系数,不仅计算量大且其精度也无法保证。另外,传统的回归模型容易陷入局部最优,难以描述非线性关系。为此,将遗传算法引入到非线性优化函数参数优化中,基于外圆横向磨削力模型、平面磨削力模型、外圆纵向磨削力模型等现有的模型数据,开展磨削力理论模型的系数优化方法研究。相关性分析结果表明:通过计算得到的3种模型磨削力的预测精度提高了14.69%~42.54%,且3种模型所预测的法向磨削力的平均误差分别为5.9%、9.13%、3.23%,切向力平均误差分别为6.78%、8.36%、3.69%。经对比知,优化后的模型拟合度较好,模型预测精度显著提高。遗传算法优化后的非线性优化函数GA-LSQ算法更适合磨削力模型的求解,可对磨削力的预测及实际加工生产中的参数优化提供参考。

基于用户心智模型强化与再构的界面设计流程研究

为了进一步探索心智模型理论,将其作为工具应用到界面设计中,试图探索出一种在用户心智模型引导下的界面设计流程。以心智模型理论为基础,探讨了用户心智模型强化的设计程序与方法、用户心智模型再构的设计程序与方法,并且论述了在界面设计中如何运用用户心智模型强化与再构提升产品界面可用性。总结出基于用户心智模型强化与再构的界面设计流程。通过对3个方面的研究,总结出一种基于用户心智模型强化与再构的界面设计流程,为提升界面信息呈现与用户心智的匹配提供新的设计思路,为产品界面设计提供了新的理论支持。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。