71℃试验法寿命外推结果的影响因素分析

目的研究71℃试验法用于火工品贮存寿命外推结果的准确性。方法采用对比分析的方法,对美军标和国军标中71℃试验法的寿命影响因素进行分析。结果加速模型、试验条件和外推温度取值对火工品的寿命外推结果均有影响。结论71℃试验法评估结果的准确性取决于使用场景是否正确,试验条件设置是否合理,贮存环境温度取值是否准确,并提出了71℃试验法的使用建议。

基于自注意力和门控循环神经网络的雷达回波外推算法研究

为提升现有神经网络对雷达回波序列的时、空特征提取能力,建立外推性能更优的时、空序列预测模型,开展雷达回波外推算法改进研究。基于深圳市气象局与中国香港天文台共同建立的雷达回波数据集,在数据处理层面,通过改进对雷达回波图像序列归一化的方法,提升了常用的5种时、空序列预测模型对强回波的预测水平;在模型算法层面,将两个联立的自注意力结构引入ST-LSTM结构,组成新的循环门控单元,并将这些循环门控单元进行堆叠,建立ST-SARNN模型。选用CSI和POD作为精度评价指标,进行模型对比分析得到:(1)改进的归一化方法提升了近几年内常用的5种时、空序列预测模型对强回波的预测水平。(2)加入自注意力的ST-SARNN模型对雷达回波的预测性能显著优于ConvLSTM、PredRNN和MIM等模型。改进的归一化方法能改变样本数据分布,并在一定程度上提升模型外推性能;自注意力结构能够有效挖掘雷达回波序列的时、空特征,进而改进神经网络的外推表现。

面向降雨预报的雷达回波预测序列外推方法

雷达回波外推方法广泛应用于降雨预报中。针对雷达回波中的预测精度不够高的问题,提出了一种基于循环神经网络的深度学习模型DIPredRNN。该模型通过引入空间和通道的双注意力机制,将长时间的时间信息和通道信息结合起来,提高了时间记忆的长期依赖;通过引入隐藏状态和输入的交互框架,保留了更多的特征,提高了时间记忆的短期依赖。该模型在HKO-7数据集和四川数据集上同经典模型以及诸多先进模型进行实验对比,该模型从外推图像、MSE、SSIM、CSI-30~50 dbz多个指标对比中都取得最佳效果。实验证明了DIPredRNN提高了雷达回波预测效果,拥有先进的性能。

基于POD降维外推差分算法的热传导模型研究

针对一维热传导问题,基于奇异值分解和特征投影本征分解(proper orthogonal decomposition,POD)法通过提取特征模态,建立了一种极少自由度、较高精度的降维外推仿真模型。给出模型降维近似解分量的数学推导、算法过程以及误差分析,实现了温度场的快速计算。最后,通过数值例子,将POD计算结果与有限差分法(FDM)计算结果进行了对比。结果表明:POD方法在不同的时间步长、空间步长及定解条件下,均能捕捉到传热过程的准确信息,平均计算速度比传统有限差分法计算速度提高了200倍,有效缩短了计算机模拟时间。考核了低阶模型的准确性,并说明了低阶方程可以定性的反映原高维系统的传热特性。同时,POD所得结果与FDM结果间的最大相对误差为0.15%,满足工程计算精度要求。所提出的POD降维外推算法方案,不但扩展了POD特征空间,而且可以逐步改进数值求解步骤,弥补了POD方法的不足,验证了利用POD降维算法研究传热问题的可行性与有效性。对于实现复杂传热模型的高效准确的分析与仿真数值求解过程有一定的理论参考价值。

极值服从广义Pareto分布的扭转载荷外推方法研究

提出了一种极值样本服从广义Pareto分布(generalized pareto distribution,GPD)函数的扭转载荷时域外推方法,基于极值样本的均值超出函数,首先确定一个区间范围,并以形状参数最小的均方误差为目标,通过自抽样法确定最佳阈值,再采用极大似然估计法对GPD函数的形状参数和尺度参数进行估计,获取扭转随机载荷谱的极值样本,服从GPD分布规律。以商用车驾驶室的稳定杆为研究对象,介绍了扭转载荷采集的方法,基于所提出的扭转载荷时域外推方法进行外推研究,并分别从穿级计数、功率谱密度、雨流图和潜在伪损伤量等方面对外推前后的载荷谱进行了对比分析。结果表明:所构建的载荷外推算法对商用车驾驶室稳定杆扭转载荷外推有较好适应性。

光流法雷达外推产品在突发强降水预报中的应用

地形条件复杂的山丘区中小河流洪水突发性强、汇流时间短,高准确率和长时效性降水短时临近预报产品对提高突发洪水预报精度尤为关键。以2021年9月河南省鸭河口水库出现的千年一遇特大洪水为例,利用国家气象信息中心提供的三源融合格点实况降水资料,检验基于改进光流法的雷达外推降水预报产品在本次洪水过程中0~1 h和0~3 h降水预报的TS评分和预报偏差。结果表明:(1)改进光流法在0~1 h的逐小时降水预报上较为精准,累计雨量在50 mm以下时,TS评分在0.45~0.85之间;雨量在50~70 mm之间时,TS评分在0.35~0.70之间;雨量在70 mm以上时,TS评分在0.25~0.35之间。50 mm以上雨量有较高TS评分表现出改进光流法在极端强降水预报中的优势性。(2)改进光流法在0~3 h的降水预报上,累计雨量在50 mm以下时,TS评分在0.55~0.85之间;在50 mm以上时,TS评分在0.35~0.75之间。该降水预报产品不仅对极端性降水预报效果较好,且预报时效长达3 h,可为防洪调度提供更长的决策时间。(3)改进光流法在0~3 h的降水预报产品与融合实况格点降水相比,雨量在20 mm以下的预报结果比较接近,平均绝对误差在10 mm以内;雨量在20 mm以上时,随雨量增大,平均误差、平均绝对误差、均方根误差均逐渐增大。(4)改进光流法在0~3 h的降水预报产品对影响范围小、降水强度大、维持时间长、累计雨量大的极端强降水有较好的预报表现。研究成果可为洪水预报模型提供一种较为可靠的降水输入预报。

基于非参数外推的动车组设备舱底板振动最大值预测

随着列车运行速度的提高,动车组设备舱等薄壁结构的振动越来越明显。短时短里程所测载荷数据难以代表全生命里程下的载荷最大值边界,需要对载荷数据进行全生命里程下的最值预测。介绍基于非参数外推方法进行更高运行速度条件下振动载荷最大值预测的一般流程,以动车组设备舱底板垂向振动实测数据为研究对象,对底板振动与列车运行速度的变化规律进行分析,并预测动车组设备舱底板振动最大值。结果表明,设备舱底板振动最大值与列车运行速度呈近似二次函数关系;以单日测试数据为基础,采用非参数外推方法进行3日最大值预测,预测值与实测值误差小于5%;在列车运行速度450 km/h条件下,全生命里程的非参数外推法预测值相对于直接预测值增大19%。因此,在更高运行速度的动车组设计中,采用非参数外推的预测结果作为振动载荷边界,具有更大的安全裕量。

对矿体外推推断资源量的问题探讨

在新的GB/T 13908-2020固体矿产地质勘查规范总则中,要求对矿体外推一般是按推断资源量勘查工程间距1/2(与2/3)尖推或1/4(与1/3)平推推断资源量。但笔者认为如此估算推断资源量有两点值得探讨:(1)对尖推一般常用楔形和锥形的两种方式进行尖推,故对其资源量的估算也会得出的是两个不同的结果,因此也就无法与平推推断资源量的结果相互一致。(2)在对其尖推体积中的其尖端部位,由于不达开采技术条件中的其最小可采厚度工业指标,因此对其估算推断资源量也存在问题。为合理地估算矿体外推推断资源量,本文通过论证提出了针对性解决上述存在问题的建议。

基于核密度估计的单轨车辆构架载荷谱外推

车辆构架疲劳寿命预测准确性受动载荷谱完整性的影响,但线路实测的载荷数据具有短时与局部特征,为了准确预测疲劳寿命需要将短期样本数据外推至全寿命周期范围,本文以单轨车辆转向架构架为分析案例。首先,采用基于自适应带宽的核密度估计方法对实测载荷谱进行概率密度估计,其次,通过蒙特卡洛模拟算法实现了载荷谱外推;最后,基于核密度外推后的载荷谱对构架进行疲劳寿命分析。分析结果表明,与传统线性外推的数据相比,基于核密度估计外推的载荷谱评估结果更加安全,更有利于保障车辆的安全运行。

基于非结构外推多重网格法的带地形二维大地电磁各向异性有限元正演

基于非结构化网格的大地电磁各向异性有限元正演模拟若采用经典迭代法,收敛速度慢,不适用于复杂地电模型的正演计算。多重网格法作为经典迭代法的改进算法,是求解椭圆方程离散线性系统的一种有效算法。然而,经典多重网格法依赖于嵌套的正交网格,无法直接应用于非结构化网格问题的求解。笔者提出一种基于半结构化网格,即通过对一个初始的非结构网格进行逐层二分加密,并利用外推瀑布式多重网格算法(EXCMG)快速求解各向异性介质中二维大地电磁有限元正演大规模复线性系统。EXCMG算法运用三角形网格上的外推和高次插值技术,构造新的多网格延拓算子,通过两层粗网格上的数值解构造下层密网上有限元解的高阶逼近,作为多网格磨光算子BiCGStab的迭代初值,加速迭代收敛。对国际标准测试模型(COMMEMI-2D1和COMMEMI-2D4)运用该方法进行测试,得到的视电阻率和相位相对误差均在1%以内,求解时间较BiCGStab、聚合型代数多网格法(AGMG)大幅缩短。EXCMG算法具有较好的拓展性和适应性,可处理复杂地电模型、任意起伏地形和各向异性问题。

案例研究的外推——如何使案例研究具有普适性?

案例研究的探索性功能已得到国内外学术界的普遍认可,但对于研究结论的普适性仍存在诸多质疑。基于对研究普适性功能与外推的理解,针对案例研究的外推展开探讨,依次回应了“案例研究是否需要外推”“案例研究能否实现外推”以及“外推的适用条件是什么”等关键问题。首先,通过对案例研究外推情境的理解,发现情境越复杂,研究结论的普适性越弱,而案例研究除了复杂情境的限制外,更容易因样本数量较少引发普适性难题,得出“案例研究的外推是极其必要的”;其次,经由深度解析案例研究外推的情境,表明案例研究虽处于复杂情境中,却可以通过归纳得到普适化构念或是简化情境组合,以此奠定了外推的基础和条件,得出“案例研究能够在情境相似的基础上实现外推”;再次,通过对案例研究外推边界和范围的探讨,发现处于同质情境特征和相似情境组合下的研究对象,适用理论可作对比探讨,得出“案例研究实现外推的适用条件主要包括情境特征挖掘和动态情境组合两方面”;最后,为确保案例研究外推的实施,进一步将外推过程细化为“基础性外推”和“拓展性外推”,为广大学者开展具有普适性价值的案例研究提供参考和建议,助力中国特色管理研究蓬勃发展。

一种雷达回波外推的注意力融合和信息回忆的LSTM方法

临近天气预报是气象研究中的热点问题,雷达回波外推技术作为处理临近天气预报的有效手段,具有重要的应用价值。近年来,深度学习技术被应用于处理这一任务,但提高雷达回波外推的预报准确率仍然是一个具有挑战性的问题。在ST-LSTM网络基础上,本文提出一种AFR-LSTM网络,以进一步提高雷达回波外推的预报准确率。首先提出一种注意力融合的时空长短期记忆网络的方法,以关联更多的历史信息,保证信息在传递过程中能够充分关联,减少信息丢失。同时,考虑编码过程中信息丢失问题,在编码器与解码器之间构建信息回忆模块,进一步保存雷达回波预测细节。通过在真实的雷达回波数据集(2019—2021江苏气象雷达数据)上进行消融实验,AFR-LSTM整体效果较好。此外,对该雷达回波数据集进行对比实验,结果表明AFR-LSTM在雷达回波预测中评分函数临界成功指数(CSI)值为0.5209、Heidke Skill Score(HSS)值为0.5324,并且能较好地保留强回波和位置准确度,优于现有方法,证明了该方法能够获得更准确的预测准确度。

分裂可行性问题的外推加速线性交替方向乘子法及其全局收敛性

针对在图像重建以及语言处理系统等领域有着广泛应用的分裂可行性问题(SFP)的最优化求解,提出了外推加速线性交替方向乘子法。首先将SFP描述为一个具有线性约束的可分离凸极小化问题;然后引进外推线性交替方向乘子法,利用问题的可分离结构,产生了具有闭式解的子问题,并在适当条件下证明了该算法的全局收敛性;最后,通过数值实验验证了该算法的可行性和有效性。

基于ConvLSTM的改进雷达回波外推方法研究

海上大风及其引发的次生灾害是导致海洋气象灾害的主要因素;雷达观测数据是临近预报主要参考数据之一,准确的雷达外推数据对于提升海上强对流大风临近预报能力极为关键;面向海上大风预报需求和大风天气雷达回波特征,从输入数据格式和损失函数两方面对ConvLSTM进行改进,在损失函数中增加观测真实值作为系数提高强回波影响,构建了基于自编码的ConvLSTM网络,利用4年的沧州历史雷达回波数据对其进行训练,得到了可基于历史1 h雷达数据预测未来1 h雷达回波的雷达回波外推模型;测试集及个例检验结果表明,改进模型在强回波预测方面具备更好效果。

基于GCA-ConvLSTM预测网格的短临降水雷达回波外推方法

短临降水预报对于暴雨和强对流天气监测预警服务具有重要意义,使用雷达回波外推方法进行短临降水预报是目前较为常用的预报方法之一,但是传统的雷达回波外推方法普遍存在数据利用率低、外推准确性差和外推模糊等问题。针对上述问题,利用陕西全省雷达拼接数据资料,选择深度学习中编码器-解码器结构,以卷积长短期记忆网络(Convolutional Long Short-Term Memory Network,ConvLSTM)作为循环单元,构造了基于全局通道注意力的ConvLSTM预测网络(Global Channel Attention based ConvLSTM,GCA-ConvLSTM);此外,为进一步提高GCA-ConvLSTM预测网络的拟合能力,使用集成学习算法对其进行改进,通过装袋算法对数据集进行采样,训练3个GCA-ConvLSTM预测网络作为基学习器,使用加权投票策略将这3种基学习器进行有效组合,最终获得了一个性能更优的组合模型。试验结果表明,基于集成学习算法改进的GCA-ConvLSTM雷达回波外推方法与现有深度学习方法相比,提升了短临降水预报方法的准确性和时效;该方法在25 dBz、35 dBz和45 dBz反射率阈值下的评估试验中分别比对比的主流深度学习模型CSI值平均高出0.149、0.192、0.085;同时该方法的外推结果拥有更加清晰的边缘和细节性纹理,减轻了外推后期模糊问题。

桥梁车辆荷载效应外推组合极值方法适用性比较研究

桥梁车辆效应包括加载长度较长的整体效应和较短的局部效应,效应极值可能受到多个加载事件的影响,目前多采用组合广义极值法和组合广义帕累托分布法推定其效应极值。组合极值方法能够很好地解决传统极值理论不适用于非同一底分布样本的问题。为了进一步明确两种组合极值方法在各种车流场景中的适用范围,结合不同交通状态下的模拟车流以及某大跨径悬索桥中的主缆轴力和跨中吊杆轴力两种效应,在分析两种方法假定和算法的基础上,计算了不同加载长度下的效应极值推定结果,并对其影响因素、适用范围以及规律进行了讨论。结果表明:组合广义极值方法对样本量变化与底分布拟合较敏感,在样本量有限的情况下采用组合广义帕累托分布法更合适,在样本量充分的情况下采用组合广义极值方法计算更简便。当样本量充足时,长加载长度效应极值推定中各事件单独作用下的分布拟合曲线不存在交叉区域,其在多事件混合情况下的组合外推极值直接由控制性事件(高峰状态)产生的效应决定。

基于深度时空融合网络的雷达回波外推模型

基于深度学习的雷达回波外推是实现短临降水预报的重要方法,由于雷达回波数据具有显著的非刚性的运动特征,使得数据的统计特性随时间在不断变化,意味着其具有高阶非平稳性,而现有深度学习方法难以捕捉回波序列的非刚性运动特征,且难以建模雷达数据的高阶非平稳性.为此,本文针对雷达数据特征提出了一种新的时空融合网络STUNNER(Spatio-Temporal Fusion Neural Network).STUNNER设计了一种两路时空融合架构,通过交叉连接时间差分网络和时空轨迹网络实现高效的雷达回波外推.时间差分网络通过引入差分的思想提取高阶非平稳数据中平稳性特征来学习雷达回波的长期趋势,时空轨迹网络利用动态卷积将卷积循环神经网络中普通卷积固定的参数采样位置优化为随时间变化的动态位置来提取雷达回波的瞬时变化,同时采用两路融合策略将长期趋势与瞬时变化融合,实现长短时关联记忆.所提模型与其他四个模型在两个公开数据集上进行了实验对比.在雷达回波外推任务中当雷达反射率阈值为45 dBZ时,STUNNER在POD(Probability Of Detection)、CSI(Critical Success Index)、FAR(False Alarm Rate)上相比MIM(Memory In Memory)分别优化了0.020,0.023,0.043.实验结果表明新模型在处理雷达回波外推任务上具有更高的准确率.

CAST-LSTM:一种用于雷达回波外推的时空LSTM模型

基于循环神经网络的雷达回波外推算法的预报结果随时间逐渐模糊失真,同时难以预报强回波区域。针对上述问题,提出一种上下文融合和注意力机制的时空长短期记忆网络模型。该方法通过上下文融合模块充分提取雷达图像不同尺度的短期上下文信息;通过注意力模块拓宽预测单元的时间感受域,使模型感知更多的时间动态。以2019—2021年4—9月江苏省气象雷达数据为样本,通过试验对比分析,基于上下文融合和注意力机制的时空长短期记忆网络取得了更好的预测性能。在外推60 min,阈值为10、20、40 dBz的条件下,临界成功指数和HSS分别达到0.7611、0.5326、0.2369和0.7335、0.5735、0.3075,有效提高了预测精度。

一种建筑工程场地参数V_(S30)的外推模型修正方法

为提高覆盖土层较浅工程场地上钻孔的外推V_(S30)值精度,选取日本KiK-net台站中符合一定条件的钻孔数据,利用相关系数矩阵排除共线性问题以确定可用于回归的3个体现钻孔剖面特性的参数,通过最优子集法建立常数外推V_(S30)残差与这3个参数的优选函数关系,利用调整后R^(2)、贝叶斯信息准则和k倍交叉验证3种特征选择方法确定其中的最优关系。根据修正后预测V_(S30)与实际观测V_(S30)间残差均值和标准差的分布给出推荐的常数外推模型修正函数。结果表明,该V_(S30)的外推模型能够较好提高底部常速度模型的预测精度,并且在新疆地区具有一定适用性。提出的方法可以对中国不同地区的场地V_(S30)经验估计模型建立提供参考。

个案研究中的外推和概括:一个新的阐释

根据哲学立场的不同,个案研究中的结论推广有三种具体含义:第一,研究结论在读者那里引起的共鸣、对话、认知图式的调整;第二,研究结论在其他情境中依然成立;第三,研究结论在其他情境中可用。哲学立场与人们对个案研究结论推广的理解密切相关。“拓展个案法”“迈向社会全体的个案研究”都不是外推之法,而是系统内的概括之法。所谓的个案研究中的外推和概括其实是一个阐释过程,是知识的积累,需要研究者在整个研究过程中保持自觉性。