氧化石墨烯重力热管传热性能研究

实验研究了在氧化石墨烯纳米流体质量分数为0,0.01%,0.05%,0.1%,0.2%时,50,60,70,80,90℃加热温度和50%,60%,70%,80%充液率对重力热管启动性能和传热特性的影响。实验结果表明:氧化石墨烯纳米流体质量分数越大,重力热管热阻越小;在加热温度为90℃、充液率为60%时,质量分数为0.2%的纳米流体重力热管热阻最小,且相比于基液热管降低了62.9%;在基液中添加氧化石墨烯会缩短热管启动时间,提高热管启动温度,但不改变热管的启动方式;氧化石墨烯提高热管传热性能的原因主要是其热导率较高且表面润湿性较好。实验结果对重力热管传热性能的研究具有参考意义。

基于1D-CNN的土壤全氮近红外光谱预测模型

于江苏无锡采集410个土壤样品测定土壤全氮含量,并在室内进行土壤样品光谱检测,用均值中心化、标准正态变换和趋势校正对光谱进行预处理,再运用偏最小二乘回归(PLS)、反向传播(BP)神经网络和一维卷积神经网络(1D-CNN)方法建立土壤全氮含量的回归预测模型。同时,每种模型在采用不同预处理方法的数据集上做十折交叉验证,记录预测模型的决定系数(R^(2))和均方根误差(RMSE)的平均值,对比3种预处理方法对模型精度的影响。结果表明:本研究基于土壤近红外光谱数据构建的1D-CNN模型预测土壤全氮含量结果可靠。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的R^(2)分别为0.907、0.931、0.922、0.964,而PLS模型R^(2)分别为0.856、0.863、0.861、0.880,BP神经网络模型的R^(2)分别为0.874、0.907、0.901、0.911。1D-CNN模型在原始数据和经预处理的光谱数据上的表现均优于PLS和BP神经网络模型,对光谱数据进行预处理能够有效提高1D-CNN模型的性能,尤其是趋势校正对模型的提升效果最明显。因此,1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系,有效地避免过拟合,在未经过预处理的光谱数据上依然能够达到一定的精度。