以大概念教学促进初中物理深度学习

深度学习倡导基于大概念的单元学习,大概念是物理深度学习的逻辑起点、过程保障和价值追求.本文以"浮力"单元教学设计为例,浅谈指向初中物理深度学习的大概念教学的四个重要环节:明确教学目标、整合探究过程、注重交流合作、设置变式任务.

金矿床成矿机制及地球物理深度找矿模型建立

由于金矿床成矿规律复杂多样,所以此次提出金矿床成矿机制及地球物理深度找矿模型建立。从岩浆活动对区域变质作用角度,分别从早、中、晚三个阶段的区域变质过程,分析了金矿床成矿机制;对于地球物理深度找矿模型建立,首先收集以往矿区地质勘查资料,然后利用电磁物探法进行数据采集,将数据经过处理后利用MAPGIS平台建立数据库,最后将数据分类总结成找矿标志,以此完成地球物理深度找矿模型建立。

高中物理深度学习下的学生创新性实践

本文是基于高中物理深度学习与高阶思维的培养,通过理论与实践的结合,学生在深度学习下创新性实践。阐述深度学习的重要性和对学生的终身学习能力的培养意义,希望籍此抛砖引玉,重视高中物理深度学习与高阶思维的培养。

融合精细化气象因素与物理约束的深度学习模型在短期风电功率预测中的应用

现有基于深度学习方法的风电功率预测是一种以气象数据为输入的间接预测,其预测精度依赖于气象预报的准确率,然而现有气象预报资料普遍存在分辨率低,预报模式不稳定的问题。同时,深度学习模型完全依赖数据驱动,缺乏物理规律的指导,预测精度难以进一步提升。因此,提出一种精细化气象因素与物理深度学习相结合的方法。首先,通过降尺度与多模式集成技术,对数值天气预报数据进行处理,改善气象预报产品的低分辨率和准确率问题;其次,基于风电场尾流效应和功率曲线两种物理模型,一方面将物理模型嵌入神经网络损失函数作为正则化项,引入物理约束指导学习过程,以构建物理深度学习网络;另一方面,利用物理模型产生预训练样本,解决观测数据不足的情况,构建预训练模型,为后续有监督学习任务提供支持。最后,通过对某市近海风电场的实际数据进行仿真分析,验证了所提出方法的有效性和优越性。

基于物理信息自适应深度学习的交通状态估计

物理信息深度学习(physics-informed deep learning, PIDL)是一种将深度学习与物理学先验知识相结合的新兴范式,该范式在智能交通领域,尤其在交通状态估计应用中,展现出了巨大潜力。为进一步优化物理信息深度学习模型在交通状态估计问题上的准确度与收敛速度,构建了一个结合Aw-Rascle宏观交通流模型的物理信息自适应深度学习模型(physics-informed adaptive deep learning with Aw-Rascle, PIAdapDL-AR),依据有限与局部的交通检测数据,实时准确估计全局交通流状态。主要的改进包括两部分,一是在PIDL框架中的物理部分引入高阶Aw-Rascle交通流模型作为物理约束条件,引导并规范神经网络的训练过程;二是在神经网络部分融合自适应激活函数,替代固定的非线性激活函数,以动态优化神经网络性能。基于NGSIM数据集生成模拟的固定检测器数据和移动检测器数据,进行实验以验证模型有效性。实验结果表明:在不同覆盖率的固定检测数据场景下,PIAdapDL-AR的相对误差相比于基线模型PIDL-LWR降低了34.38%~45.24%;在不同渗透率的移动检测数据场景下,PIAdapDL-AR的相对误差相比于PIDL-LWR降低了18.33%~34.95%;融合自适应激活函数的PIAdapDL-AR的收敛速度优于配置固定激活函数的PIDL-AR,且收敛速度和估计精度均随着自适应激活函数中比例因子的增大而提升。

物理驱动深度学习波动数值模拟方法及应用

近年来,物理先验融合数据的深度学习方法求解以偏微分方程为理论基础的正反演问题已成为交叉学科热点.针对地震工程波动数值模拟,本文阐明了物理驱动深度学习方法PINN的数学概念及实现方式,以无源项一维波动为例,开展了相关理论模型构建,并与解析解及有限差分方法进行对比,分析了PINN方法与其他数值算法模拟波场的相对范数误差,验证了物理驱动深度学习方法求解波动问题的可行性.采用物理驱动深度学习方法并结合谱元法形成的稀疏初始波场数据,开展了二维波动数值模拟,实现了自由边界条件及起伏地表等典型工况的模拟,并给出了时序波场分布特性.更换不同的初始条件,测试了神经网络的泛化精度,提出可显著提高网络训练效率的迁移学习方法.通过与谱元法的结果对比,验证了本文方法模拟均质场地、空间不均匀及复杂地形场地波动问题的可靠性.结果表明,物理驱动深度学习方法具备无网格、精细化模拟等优势,并可实现自由地表及侧边界波场透射等数值模拟条件.

深切V型峡谷物理驱动人工智能波动模拟

高山峡谷区场地地震效应是地震工程领域研究热点。V形峡谷引起的圆柱形SH波散射和衍射波函数的级数解已较为成熟,并为众多河谷区重大工程提供了合理、科学的地震动输入。采用物理驱动深度学习方法结合与解析结果的对比分析,近一步明确了V型河谷地形地震反应特性及复杂波场空间分布。此方法主要关注稀疏样本及可诠释性人工智能,结合强形式自动微分和软约束边界条件嵌入,建立深度神经网络实现半无限域地震传播模型。采用时间域分解策略,实现不同给定波场工况下V型河谷高精度预测。通过与解析解对比,评估了所提出的物理驱动人工智能方法的精度和效率。结果表明,物理驱动人工智能方法可应用于地形效应分析,柱面SH波在V型峡谷底端发生显著衰减与振荡,边缘区呈现放大效应。

中学物理深度学习的研究进展述评

本文基于CNKI文献梳理,从国内外对教育领域中深度学习的界定中分析了有关学者对中学物理深度学习的界定,总结了中学物理深度学习的特点;梳理了中学物理深度学习的实施策略及评价方法.发现大多数中学物理教师提出深度学习与核心素养、实验、习题课、思维提升及问题解决相结合的方式进行,对深度学习评价方法的研究基于SOLO学习结果分类较多.从研究现状总结得出中学物理深度学习存在概念界定较模糊、理论深度不够、评价方式单一、农村及民族地区研究薄弱等问题.

硅藻土深度物理改性及对Fe^(3+)吸附性能研究

针对硅藻原土可操作性差这一缺陷,开展了硅藻土深度物理改性研究,研究结果表明,最佳物理改性工艺条件为原料中硅藻原土的比重80%,焙烧温度500℃,焙烧时间120min,按照最佳工艺制备得到的改性硅藻土为有一定强度,大小均匀,粒径约为5mm的褐色椭圆颗粒。SEM分析结果表明,硅藻土经过深度物理改性后仍保留原土的形貌特征,形成了由板状颗粒和微小颗粒堆积而成的较大空隙。XRD分析结果表明,高温烧结能改变硅藻土物相组成。用深度物理改性硅藻土对Fe3+进行吸附研究,发现在一定范围内,改性硅藻土对Fe3+的去除率随用土量、吸附作用时间、吸附温度、溶液pH值的增加而增加,随吸附液初始浓度的增加而减小;最佳吸附条件为改性硅藻土用量10g/L,吸附作用时间60min,温度25℃,pH值为4;硅藻土深度物理改性能够显著提高其吸附性能,同时大大提高其可操作性。

物理增强的流场深度学习建模与模拟方法

流体运动理论上可用Navier-Stokes方程描述,但由于对流项带来的非线性,仅在少数情况可求得方程解析解.对于复杂工程流动问题,数值模拟难以高效精准计算高雷诺数流场,实验或现场测量难以获得流场丰富细节.近年来,人工智能技术快速发展,深度学习等数据驱动技术可利用灵活网络结构,借助高效优化算法,获得对高维、非线性问题的强大逼近能力,为研究流体力学计算方法带来新机遇.有别于传统图像识别、自然语言处理等典型人工智能任务,深度学习模型预测的流场需满足流体物理规律,如Navier-Stokes方程、典型能谱等.近期,物理增强的流场深度学习建模与模拟方法快速发展,正逐渐成为流体力学全新研究范式:根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法,直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法.研究内容涵盖流体力学降阶模型、流动控制方程求解领域.

李雅庄矿4~#煤层极难选煤深度物理加工技术研究

本文对李雅庄矿4^#煤层极难选煤进行了物理加工技术的分析研究。结果表明:确定试验煤样洗选中间旋流器的底流产物和保持常规浮选精煤灰分在10%以下时的浮选尾煤为深加工副产品;采用跳汰和重介操作工艺,重介旋流器底流约占入选原煤的18%,该深加工技术提高总精煤产率11%以上。该难选煤深度物理加工技术为4#煤层进行重新开采奠定了基础。

物理-数据-知识混合驱动的人机混合增强智能系统管控方法

当代系统认知、管理与控制的核心理论、方法与技术已经转移到大数据和人工智能技术上,这导致当前人工智能技术条件局限与复杂系统认知、管理、控制的需求之间形成了一道鸿沟。因此,现实的需求催生了人工智能的一种新型形态——人机混合增强智能形态,即人类智能与机器智能协同贯穿于系统认知、管理、控制等过程的始终,人类的认知和机器智能认知互相混合,形成增强型的智能形态,这种形态是人工智能或机器智能可行的、重要的成长模式。提出了一种物理-数据-知识混合驱动的人机混合增强智能系统管控方法。从可信分布式数据、计算和算法,物理深度学习,融合系统运行规则的混合型深度强化学习,因果分析,可解释性AI与数字人5个方面详细阐述了所提方法。最后,以电力系统调控为背景,以3个应用为例分析了所提方法的应用方式和技术路径。

面向结构地震响应预测的Phy-LInformers方法

为了准确评估建筑结构在地震作用下的动力特性和延性性能并促进韧性城乡的建设,本文提出了一种名为Phy-LInformers的深度学习框架,该框架综合运用了长短期记忆网络(long short-term memory,LSTM)、Transformer类模型Informer以及物理先验知识,以实现对建筑结构非线性地震响应的精确预测。该框架的核心思想是结合Informer的编码(Encoder)和解码(Decoder)结构,在Decoder部分引入了LSTM以预测建筑物先前的历史状态信息。同时,通过将现有的物理知识(例如预测变量之间的状态依赖关系和运动控制方程等)编码到损失函数中,对Phy-LInformers进行指导并约束其学习空间,同时提高有限训练数据下深度学习模型的预测性能。随后,通过2个模拟数据算例验证所提框架的性能。结果表明,所提出的Phy-LInformers是一种鲁棒性良好、预测性能优秀的非线性地震响应预测方法,即使在训练样本非常少(例如仅有10条)的情况下依然能准确预测结构在地震作用下的动力响应。这一特性使得Phy-LInformers在工程实践中具有可行性,并且在建筑结构抗震性能评价领域展现出良好的应用前景。

指向思维的PLIA深度学习逆向设计与实践策略——以“滑轮及其应用”为例

为了应对课堂中出现的新课改异化现象,以建构主义理论为依据,结合学生的天性以及物理学科的特点,基于PLIA物理深度学习实践模型,通过逆向教学设计,创设体验式情境、使用可视化手段、制作创新型教具、布置实践性作业,建构思维型课堂,促进学生的深度学习,发展学生的物理学科核心素养.

基于物理驱动深度学习的结构形状优化设计

结构形状的优化设计本质上是一类泛函极值求解问题.在求解高维度泛函极值问题时,传统的变分法往往面临着求解目标函数类型有限、求解过程呈现振荡行为等问题.利用深度学习模型的高维非线性映射能力,建立了一种基于物理驱动深度学习的泛函极值求解模型.首先将描述结构形状优化问题的物理信息(控制方程、初始条件和边界条件等)作为正则化项嵌入深度学习模型中,基于性能目标构建损失函数;采用随机梯度下降法完成深度学习模型的训练,进而实现泛函极值的求解和结构形状的优化设计;通过分析最优曲面和最优拱轴线问题验证模型的有效性,并与遗传算法进行对比,结果表明该模型在小样本的目标任务上具有较高的预测精度和效率.作为一种非参数模型化技术,物理驱动深度学习模型对解决数据采集成本高、难度大的工程问题具有重要意义.

水煤浆燃料技术精细水煤浆制备与燃烧技术

我国是一个煤炭资源丰富，石油资源相对短缺的国家，特别是轻质燃油更为短缺，以煤代油、洁净高效地利用煤炭资源尤为重要，具有深远的战略意义。“精细水煤浆的制备与燃烧技术”为教育部“211工程”重点建设项目，以此为基础我校相继承担了国家经贸委下达的2000～2002年技术创新项目和中国意大利合作的精细水煤浆应用技术研究项目。

信息技术与高中物理课程深度融合的实践与探索——以普通高中课程标准实验教科书(物理必修1、2)为例

信息技术与课程的融合,使传统的教学模式发生了变革,利用信息技术营造一种新型的教学环境是新课程的亮点。运用“有意义传递与教师主导下探究相结合”的教学结构设计理论,从四个方面探索信息技术与物理课程教学整合的教学设计：创设物理情境,优化认知结构;创建物理模型,改善思维结构;创新物理问题,改良理解结构;创立物理平台,优化信息结构。

怪物的皮肢质感——借GI渲染器的力量进行表现

表示光线进入物体内部后的物理深度。数值可以在World Unit中计算求得，输入较大的数值时，光线会扩散到物体内部更深的位置，但是随着光线向深处扩散，光线的能量会分散，所以增大Depth数值的效果反而会变暗。

南海大陆边缘动力学:科学实验与研究进展

国家重点基础研究发展计划(973)项目(2007CB411700)首次在南海南部大陆边缘及西南次海盆开展长排列大震源多道地震、海底地震仪(OBS)折射/反射地震等的综合地球物理探测,结合地质构造、地球化学、动力模拟等的综合研究,形成如下重要认识:南海海盆新生代发生了早、晚两期海底扩张.早期扩张发生于33.5～25 Ma,经过1.5 Ma的调整,晚期扩张发生于23.5～15.5 Ma.早晚两期扩张均为由东向西传播的渐进式扩张,构造上具有南北分块、东西分带的特点.南海新生代南、北陆缘沉积盆地从断陷到坳陷的构造转型时间存在差异,并分别与海盆晚期扩张和早期扩张的结束时间相对应.南海新生代陆缘张裂变形具有随深度变化的特点,海盆的洋壳深部和上地幔顶部存在磁化现象,地幔没有明显的速度异常.南北大陆边缘均属非火山型大陆边缘,虽然北部陆缘东段存在下地壳高速层,但没有发现向海反射层,而共轭对比应沿NW-SE向进行.南海新生代南北陆缘沉积盆地形成演化存在系统差异,总体上"外油内气"呈环带分布,南部陆缘盆地具有更优的油气成藏地质条件.南海中生代南北陆缘均为华南块体的一个部分,受到古特提斯和古太平洋构造域的联合控制.

视频微课在深度物理教学中的创新探索

物理教学应该让学生对获得的物理现象、物理事实与实验数据进行深加工、精加工和多维加工.物理教师运用视频微课,对实现深度物理教学具有积极促进作用.视频微课能够弥补传统物理教学的缺陷,促进学生在课前自学与课堂教学的过程中,与教师进行更加有效的互动.