乔磊【油画作品】

乔磊（1979-），男，汉，山东泰安人，广州美术学院文学（美术学）硕士，山东科技大学艺术与设计学院副教授。单位：山东科技大学艺术与设计学院，地址：山东省青岛市经济技术开发区前湾港路579号。

乔磊油画作品

乔磊：1979年生，山东省泰安市人。2003年毕业于曲阜师范大学美术学院油画专业，获学士学位，2006年毕业于广州美术学院油画现代艺术创伤研究专业，

标准核燃料组件几何轮廓校准装置的研制

针对标准核燃料组件竖直状态下几何参数溯源需求,研制了一种标准核燃料组件几何轮廓校准装置。该装置以空间坐标测量为理念,利用多路接触式传感器作为轮廓测量采集单元,结合测量工作台高度位置获得轮廓坐标。通过直线度及扭转度测量与误差补偿,进一步提高了几何轮廓测量精度;并使用集成运动控制和专用测量软件,实现了标准核燃料组件几何轮廓参数(直线度、扭转度、垂直度、平行度)的自动检测。通过分析及实验验证,几何轮廓参数中直线度和平行度测量标准不确定度为0.01 mm,扭转度测量标准不确定度为0.007 mm,垂直度测量标准不确定度为0.017 mm,说明该装置能够满足标准核燃料组件的溯源需求。

基于BSO-BP的船舶油耗预测模型

为解决基于传统反向传播(back propagation,BP)神经网络的船舶油耗预测模型易陷入极小值和误差较大的问题,提出一种利用头脑风暴优化(brain storm optimization,BSO)算法优化BP神经网络的船舶油耗预测模型(简称BSO-BP模型)。以“维多利亚凯娅”号内河游船为研究对象,将BSO-BP模型的预测结果与采用传统BP神经网络以及模拟退火(simulated annealing,SA)算法、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法优化的BP神经网络的船舶油耗预测模型的预测结果进行对比分析。结果表明:与传统BP神经网络模型的预测结果相比,BSO-BP模型预测结果的可决系数R^(2)提高了0.003 9,均方误差、均方根误差、平均相对误差、平均绝对误差分别降低了0.034 4、0.154 1、0.010 2、0.017 8,说明在船舶油耗预测中BSO算法对BP神经网络的预测精度有显著的提升作用;BSO-BP模型预测结果的各项评价指标在所对比的5种模型中均表现最好,说明与SA算法、GA和PSO算法相比,BSO算法对BP神经网络的提升效果更好。

分析集束化护理策略对重症监护室患者睡眠质量的影响

目的:分析集束化护理策略对重症监护室患者睡眠质量的影响。方法:选取2021年4月至2023年8月山东大学齐鲁医院重症医学科收治的重症患者130例作为研究对象,按照就诊日期随机分为对照组和观察组,每组65例。对照组给予常规护理干预,观察组给予集束化护理干预。采用匹兹堡睡眠质量指数(PSQI)比较2组患者干预前后睡眠质量的变化,采用健康调查简表(SF-36)比较2组患者干预前后生命质量的变化,采用汉密尔顿焦虑量表(HAMA)、汉密尔顿抑郁量表(HAMD)比较2组患者干预前后焦虑、抑郁状态的改善效果。结果:干预后,观察组患者PSQI评分、HAMA评分、HAMD评分均显著低于对照组,观察组SF-36评分显著高于对照组,差异均有统计学意义(均P<0.05)。结论:重症监护室患者发生睡眠障碍给予集束化护理干预可以提升睡眠质量,提高患者的生命质量,改善患者的焦虑、抑郁情绪,值得临床推广应用。

移动分布式存储系统中自适应数据布局策略

分布式存储系统在移动网络场景中正受到越来越多的关注,作为其关键技术,数据布局对于提高数据分布式存储的成功率至关重要.然而,移动环境下无线信号不稳定,网络带宽波动大,传统的数据布局策略,如随机策略和存储容量感知策略,在数据布局时并未考虑节点的网络带宽,导致数据传输成功率低.面向高动态移动网络环境,针对移动分布式存储系统面临的数据布局问题,提出一种带宽感知的自适应数据布局策略.其基本思想是将网络带宽和节点上的其他信息结合,从而选择性能良好的节点,实现自适应数据布局,提高数据传输成功率.所提策略包含3个设计要点:(1)采用群组移动模型感知节点的网络带宽;(2)分组管理节点信息,减少通信开销,并利用小根堆的特性构建节点选择树;(3)自适应数据布局根据节点可用性动态选择性能良好的节点,提高数据传输成功率.实验结果表明:当网络动态变化时,所提策略的数据传输成功率相较于随机策略和存储容量感知策略分别提升30.6%,34.6%,并始终将通信开销维持在较低的水平.

深度学习在边界层流动稳定性分析中的应用

基于线性稳定性理论(linear stability theory,LST)的e^(N)方法是边界层转捩预测中比较可靠的方法之一。为了将传统LST特征值问题的求解过程大幅度简化和自动化,使用卷积神经网络(convolutional neural network,CNN)在边界层相似性解的LST分析样本集上进行训练,针对流向和横流不稳定性,分别在自然层流翼型和无限展长后掠翼上预测扰动的当地增长率、N因子和转捩位置,结果与标准LST一致性良好;验证了CNN可以将边界层剖面速度型导数信息编码为满足伽利略不变性的标量特征,在翼型边界层中起到了表征压力梯度的作用,在后掠翼边界层中起到了表征横流强度的作用;在CNN对LST特征值预测的基础上,以LST控制方程、边界条件和平凡解惩罚项构造总损失函数来训练内嵌物理信息神经网络(physics-informed neural network,PINN),实现了在不依赖样本的情况下对LST特征函数的准确预测,结果表明PINN可以为LST的特征函数问题提供有效的建模方法。

并行机器中基于干扰时间的间歇实时任务分区DM调度

间歇实时任务的分区DM(deadline-monotonic)调度是一个经典的研究问题,针对约束截止期间歇任务,提出一种具有更高处理器利用率的多核分区调度算法PDM-FFD(partitioned deadline-monotonic first-fit decrease).在PDM-FFD中,首先将任务按照其相对截止期以非递减顺序进行排序,然后采用first-fit策略选择处理器核分配任务,且在各处理器核上采用DM调度策略进行任务调度.最后通过对任务干扰时间的分析,得出一种更为紧凑的可调度性判定方法,并通过该可调度性方法来判定任务的可调度性.证明PDM-FFD的加速因子为3-(3Δ+1)/(m+Δ),时间复杂度为O(n^(2))+O(nm),其中Δ=_(Στj∈τ)C_(j)×u_(j)/D_(max),τ_(j)为任务集τ中的任务,C_(j)为该任务最差执行时间,u_(j)为该任务利用率,D_(max)为τ中的最大相对截止期,n为τ的任务数,m为处理器核数.该加速因子严格小于3-1/m,优于已有多核分区调度算法FBB-FFD.实验表明,PDM-FFD算法在4核处理器上的处理器利用率比其他算法提高了18.5%,且PDM-FFD的性能优势随着处理器核数、任务集利用率和任务数的增加而进一步扩大.由于PDM-FFD算法具有高性能特性,因此该算法可以广泛应用于资源受限的航天器、自动驾驶汽车、工业机器人等典型实时系统中.

超声速边界层自然转捩影响因素研究

为了研究马赫数、雷诺数、后掠角、壁面温度和压力梯度等因素对超声速边界层自然转捩横流模态和Oblique T-S模态的影响,在平板、翼型和无限展长后掠翼等二维或准三维流动中使用线性稳定性理论(LST,linear stability theory)和eN转捩预测方法,通过变参数分析研究了这几类影响因素分别对横流模态和Oblique T-S模态N因子的作用效果。基于文中算例所设置的来流和壁面条件进行计算,计算结果表明,横流模态N因子增长速率分别与来流马赫数、雷诺数呈正相关;随着后掠角从30°增加到60°,横流模态N因子值的增长不断加快,超过60°以后驻波N因子值增长开始减弱,而行波N因子值在60°~75°范围内变化不明显,可以推断行波N因子值开始衰减的临界后掠角更大;Oblique T-S模态N因子值的增长速率分别与来流雷诺数、壁面温度与来流温度的比值呈正相关,当来流马赫数越大或者顺压力梯度越大时增长速率减小。因此,来流马赫数的变化对自然转捩的影响与所分析的不稳定模态类型有关,而来流雷诺数的变化对自然转捩横流模态和Oblique T-S模态N因子的影响趋势是一致的。

星载操作系统中面向混合多任务类型的两级准入控制策略

随着空间技术的发展,星载操作系统从单一任务类型的封闭式系统转变为多种任务类型混合的开放式系统,此时系统的可预测性难度和不确定性增大,而现有的表调度策略已无法解决该场景下多任务类型混合调度时的可调度性分析问题,同时也不能支持系统运行时新任务的动态载入,阻碍了星载操作系统的智能化和多样化发展.针对该问题,本文以保障航天器的实时性需求及功能的可扩展性为研究目标,提出基于任务关键等级的两级准入控制策略.通过模型建立对任务的时间特性进行了描述,并全面分析了高优先级任务产生的最大干扰时间,进而分别提出基于干扰时间上界和基于响应时间分析的可调度性判定方法.实验结果表明,相较于现有算法,本文方法极大地减小了高优先级任务干扰时间的计算开销,并通过对任务运行时信息的追踪,改善了算法实时性能,提升了处理器利用率,为解决航天器系统中零散任务的准入控制问题提供了理论基础.