使用计算流体力学(computational fluid dynamics,CFD)和离散元法(discrete element method,DEM)相耦合的数值模拟方法,在模型验证、网格无关性验证的基础上,研究水力输送非球形颗粒物料时90°弯管处的磨损情况;通过3种不同长径比...使用计算流体力学(computational fluid dynamics,CFD)和离散元法(discrete element method,DEM)相耦合的数值模拟方法,在模型验证、网格无关性验证的基础上,研究水力输送非球形颗粒物料时90°弯管处的磨损情况;通过3种不同长径比颗粒输送过程中运动轨迹、流态、固体体积分布等研究管道磨损的内在机理。结果表明:在相同的条件下,颗粒长径比越大,管道弯头处的磨损区域面积越大,磨损越严重,弯头处的磨损率随中心角角度增大而增大,在70°~90°区间磨损率增大趋势更加明显,在90°处达到最大值;颗粒球形度不同时,三球颗粒的最大磨损率约是单球颗粒的2.4倍,弯头外拱处的磨损比内拱处的磨损严重;颗粒长径比改变时,大长径比颗粒离开弯头时更容易在管道顶部聚集,造成弯头磨损加剧,磨损面积增大。展开更多
图像中的异常检测是计算机视觉中非常重要的研究主题,它可以定义为单分类问题;针对图像数据集的规模大,维度高等特性,一种新的深度卷积自编码器(CAE,convolutional autoencoder)与核近似单分类支持向量机(OCSVM,one class support vecto...图像中的异常检测是计算机视觉中非常重要的研究主题,它可以定义为单分类问题;针对图像数据集的规模大,维度高等特性,一种新的深度卷积自编码器(CAE,convolutional autoencoder)与核近似单分类支持向量机(OCSVM,one class support vector machine)相结合的异常检测模型CAE-OCSVM被提出;模型中的深度卷积自编码器负责学习图像的本质特征表示,然后使用随机傅里叶特征对卷积自编码器学习到的本质特征进行核近似,核近似后输入线性单类支持向量机进行图像异常检测;核近似技术克服了核学习技术时间复杂度高的问题;同时深度卷积自编码器与核近似单类支持向量机通过梯度下降法实现了端到端的学习;模型的AUC性能在4个公开的图像基准数据集上进行了实验验证,同时模型与其它常用的异常检测模型在不同的异常率的情况下进行了性能对比;实验结果证实CAE-OCSVM模型在4个公开图像数据集上的性能都优于其它异常检测模型,表明了CAE-OCSVM模型更适合大规模高维数据集的异常检测。展开更多
文摘使用计算流体力学(computational fluid dynamics,CFD)和离散元法(discrete element method,DEM)相耦合的数值模拟方法,在模型验证、网格无关性验证的基础上,研究水力输送非球形颗粒物料时90°弯管处的磨损情况;通过3种不同长径比颗粒输送过程中运动轨迹、流态、固体体积分布等研究管道磨损的内在机理。结果表明:在相同的条件下,颗粒长径比越大,管道弯头处的磨损区域面积越大,磨损越严重,弯头处的磨损率随中心角角度增大而增大,在70°~90°区间磨损率增大趋势更加明显,在90°处达到最大值;颗粒球形度不同时,三球颗粒的最大磨损率约是单球颗粒的2.4倍,弯头外拱处的磨损比内拱处的磨损严重;颗粒长径比改变时,大长径比颗粒离开弯头时更容易在管道顶部聚集,造成弯头磨损加剧,磨损面积增大。
文摘图像中的异常检测是计算机视觉中非常重要的研究主题,它可以定义为单分类问题;针对图像数据集的规模大,维度高等特性,一种新的深度卷积自编码器(CAE,convolutional autoencoder)与核近似单分类支持向量机(OCSVM,one class support vector machine)相结合的异常检测模型CAE-OCSVM被提出;模型中的深度卷积自编码器负责学习图像的本质特征表示,然后使用随机傅里叶特征对卷积自编码器学习到的本质特征进行核近似,核近似后输入线性单类支持向量机进行图像异常检测;核近似技术克服了核学习技术时间复杂度高的问题;同时深度卷积自编码器与核近似单类支持向量机通过梯度下降法实现了端到端的学习;模型的AUC性能在4个公开的图像基准数据集上进行了实验验证,同时模型与其它常用的异常检测模型在不同的异常率的情况下进行了性能对比;实验结果证实CAE-OCSVM模型在4个公开图像数据集上的性能都优于其它异常检测模型,表明了CAE-OCSVM模型更适合大规模高维数据集的异常检测。