基于物理信息机器学习的酶促反应系统参数估计

为揭示物理信息神经网络在生化领域中的潜力,研究一种基于现代物理信息机器学习工具的新参数估计方法,并通过酶促反应过程模型的案例研究进行了演示,比较软、硬边界约束设置对计算结果的影响。实验分析表明,利用软、硬2种不同约束的物理信息神经网络均能获得精确的模型参数估计值,并在所有的可观测变量上的拟合优度R^(2)在0.98以上,所得到的系统模型能够较好地反映系统的动态过程。所提出的方法融合了模型驱动与数据驱动方法的优势,并且能够在基于采样40次的含噪声小型数据集上获得稳健的训练结果,显著降低对数据量的要求。

储油罐检测机器人性能综合评价

储油罐检测机器人技术发展较快,但缺乏合理的性能评价方法。构建统一的储油罐检测机器人性能评价指标体系,提出一种以序关系分析(G1)法和基于层间相关性赋权法(CRITIC)确定权重、引入功效系数法与虚拟云改进云模型的综合评价方法。建立7个机器人的指标数据集,通过序号总和理论与众数理论与多种评价方法作对比。结果表明:云模型的评价方法有效性测度更高,且机器人的性能大多处于中等水平,还有很大的改进空间。

带线电杆的风荷载有限元分析

采用谐波合成法模拟脉动风,构建一类带线锥形钢筋混凝土电杆的ANSYS有限元模型,分析电杆在脉动风载荷作用下的有限元模态和动力学瞬态变化。结果表明:12级强脉动风不会与该类电杆发生共振;电杆在埋深1/3处应力最大;风载荷作用使得电杆发生扰动,而带线会加大电杆扰动量;通过电杆末端最大扰动量,可有效判断电杆在不同风力等级下的结构稳定性。

基于图像多特征模糊融合的火灾检测

针对单一信息火灾检测方法精度低、鲁棒性差的问题,提出一种模糊融合图像多特征信息的火灾检测方法。以圆形度、轮廓粗糙度和火焰面积增长率等火焰图像特征值为模糊输入量,构建多信息模糊融合系统,降低误判率,提高火灾检测的鲁棒性。通过合理设计输入量的模糊化等级,使得模糊推理规则仅18条,减小算法计算量,提高火灾检测的实时性。室内环境下的火灾检测实验结果验证了该方法的有效性。

改进YOLOv5s的石化火灾巡检机器人检测算法

为解决石化火灾检测算法模型复杂、实时性差、准确率不高和难以部署的问题,提出一种基于改进YOLOv5s网络模型的石化火灾图像识别方法,通过主干网络引入注意力模块CBAM,提高模型对特征的学习能力;通过添加大尺度Detect层来改进多尺度检测机制,增强模型对小目标的识别能力.测试结果表明:改进的YOLOv5s网络模型相比原始模型在精确率、召回率和平均精度均值(mAP)指标上均有提升.改进模型的mAP为98.8%,帧率达55.23 f/s,对小目标的识别效果更好,能方便部署于石化巡检机器人.