铸态下Sn-Bi二元共晶焊料合金的组织特征及其力学性能

研究了四种不同Bi含量(45%、50%、55%、60%)的Sn-Bi二元共晶合金自由凝固下的组织特征和力学性能,探讨了Sn-Bi二元共晶合金的晶体生长机制以及Bi元素含量对合金显微组织的影响。结果表明:Sn-Bi二元亚共晶合金铸态下的金相组织为初生Sn固溶体相和Sn/Bi共晶层片集群构成,随着Bi含量的增加,呈树枝晶形态生长的初生Sn相数量减少,形态长大。初生Sn固溶体相内部脱溶析出大量的杆状或点状Bi相,形成杆状共晶结构;Sn-Bi二元过共晶合金铸态下的金相组织为初生Bi相和Sn/Bi共晶层片集群构成,初生Bi相中基本不固溶Sn元素,呈小平面方式生长,并在在初生Bi相周围包裹生长一层Sn晕圈相。在室温下,Sn-Bi二元共晶合金的硬度和强度随着Bi含量的增加而上升,延伸率随着Bi含量的增加先上升后下降。

放电等离子体烧结BaTiO_(3-x)Bi(Ni_(0.5)Zr_(0.5))O_(3)陶瓷的介电和阻抗性能

采用传统固相反应法合成BaTiO_(3-x)Bi(Ni_(0.5)Zr_(0.5))O_(3)粉体和放电等离子体烧结技术制备BaTiO_(3-x)Bi(Ni_(0.5)Zr_(0.5))O_(3)陶瓷,研究陶瓷的晶体结构、微观形貌、介电和阻抗性能。结果表明:BaTiO_(3)-0.10Bi(Ni_(0.5)Zr_(0.5))O_(3)陶瓷具有钙钛矿型,晶体结构为赝立方相,晶粒尺寸约为0.64μm,密度为5.81 g/cm^(3),最大介电常数为7149,且随频率升高相变温度向高温移动。在1 kHz下,BaTiO_(3)-0.10Bi(Ni_(0.5)Zr_(0.5))O_(3)陶瓷的ln(1/ε-1/ε_(m))与ln(T-T_(m))的拟合曲线斜率为1.61,在-41~169℃内,Δε/ε_(25℃)≤±15%,表明样品有良好的温度稳定性。此外,随温度和频率的升高,材料的阻抗降低,在50℃下,当频率为100 Hz时,电阻为2.33×10~6Ω,离子电导率为10^(-8)S/cm。

Mg-Bi系合金的研究进展

合金元素Bi的价格较低,在镁中有较高的固溶度,随着温度降低,其固溶度减小,析出Mg_(3)Bi_(2)相,提高了镁的力学性能,因此Mg-Bi系合金具有良好的固溶和时效硬化潜力。在Mg-Bi系合金中加入Sn、Mn、Al、Ca、Zn等元素,改善合金组织,能够进一步提高合金的力学性能及耐腐蚀性。文中介绍了国内外学者对Mg-Bi系合金的研究进展,在总结Mg-Bi二元合金研究成果基础上,系统的概述了Mg-Bi-Sn系、Mg-Bi-Mn系、Mg-Bi-Al系、Mg-Bi-Ca系、Mg-Bi-Zn系等合金的组织和性能,综述了合金化对合金第二相、晶粒尺寸、织构、动态再结晶的影响,阐述了合金元素种类、添加量及热加工参数与合金力学性能的关系。总结了Mg-Bi系合金研究中存在的问题,并对今后的研究工作进行了展望。

基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R~2)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。

老年腹部手术患者BIS监测下异丙酚闭环与开环靶控输注模式的麻醉效果比较

目的探讨脑电双频指数(BIS)监测下异丙酚闭环与开环靶控输注在老年腹部手术患者中的麻醉效果。方法将76例老年腹部手术患者按照随机数字表法分为对照组38例[采用异丙酚开环靶控输注(OLTCI)]和研究组38例[采用异丙酚闭环靶控输注(CLTCI)]。比较两组患者的麻醉效果、麻醉药物使用情况、不同时间阶段血流动力学指标以及手术相关指标。结果在麻醉诱导阶段和麻醉维持阶段,研究组患者麻醉满意时间占比高于对照组,麻醉过深时间占比低于对照组,且麻醉维持阶段的麻醉过浅时间占比低于对照组(P<0.05或0.01)。研究组患者异丙酚诱导总量少于对照组,每小时泵调整次数多于对照组(P<0.01)。两组患者意识消失、插管即刻、插管后1 min时的心率(HR)均慢于麻醉诱导前,但研究组患者意识消失、插管即刻、插管后1 min时的HR均快于对照组(P<0.05或0.01)。研究组患者诱导阶段各时期的平均动脉压(MAP)水平无明显变化(P>0.05)。对照组患者意识消失、插管即刻、插管后1 min时的MAP水平均低于麻醉诱导前,且插管即刻、插管后1 min时的MAP水平低于研究组(P<0.05或0.01)。两组患者手术时间、麻醉时间、拔管时间、苏醒时间以及恶心、呕吐发生率等手术相关指标比较,差异无统计学意义(P>0.05)。结论对老年腹部手术患者行BIS监测下异丙酚CLTCI时,可按照BIS的数值及时调整异丙酚用量,避免了血流动力学指标的大幅度波动,可减少麻醉药物的用量,值得临床大力推广。

融合改进Bi-RRT和DWA算法的无人机动态路径规划

为解决无人机在复杂环境中的避障问题,提出一种融合改进Bi-RRT和DWA的无人机动态路径规划算法。通过设置启发式函数、动态步长和安全距离改进Bi-RRT算法,提升全局路径的搜索效率和安全性;之后,修剪路径中的冗余路段并对修剪后的路径进行插值与平滑操作获得全局最优路径;对DWA修正障碍物距离评价函数并引入目标点距离评价函数,提升局部预测轨迹评分的准确性;然后,实时输出速度指令控制无人机跟踪全局最优路径并实现局部动态避障。仿真实验表明,改进Bi-RRT算法生成的路径更短更平滑、安全性更高且规划时间更少;在同时存在动、静态障碍物的复杂环境中,所提融合算法能控制无人机精准地跟踪全局最优路径并高效地完成局部动态避障。

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络(convolutional neural network,CNN)方法在时空特征提取存在不足,提出了一种改进的Inception与双向长短期记忆(bi-directional long short-term memory,BiLSTM)联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25 dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。

基于特征分解与Bi-LSTM-Attention模型的风向预测

为便于精准控制风电机组的偏航角度、充分利用风能提高机组发电量,提出一种基于历史数据深度学习的风向超短期预测方法。首先利用变分模态分解将风向数据分解成多个子序列,考虑分解后的残差分量仍保留大量信号特征,进一步采用自适应噪声完备集合经验模态分解方法对残差分量进行二次分解。在此基础上,结合风速、环境温度等特征,利用具有注意力机制的双向长短期记忆网络对风向进行超短期预测。采用河北某风电场SCADA真实数据,对风向进行5min的超短期预测实验,并与其他方法进行对比,结果表明所提方法具有更好的风向预测效果。

合成MRI联合弥散加权成像及DCE-MRI在鉴别乳腺BI-RADS 4类肿块良恶性的价值分析

目的:探讨合成磁共振成像(syMRI)联合弥散加权成像(DWI)、动态对比增强磁共振成像(DCE-MRI)在鉴别乳腺成像报告和数据系统(BI-RADS)4类肿块良恶性的价值。方法:回顾性分析2022年1月—2024年1月本院80例患者98个BI-RADS 4类肿块病变的syMRI、DWI和DCE-MRI图像,所有患者均经穿刺活检或手术获得病理结果(51个恶性病变,47个良性病变),测量表观扩散系数(ADC)、弛豫时间值(T_(1)、T_(2))和质子密度值(PD),采用logistic回归建立弛豫定量模型、基于DE-MRI的BI-RADS模型,基于弛豫定量参数联合ADC以及BI-RADS建立联合诊断模型,受试者工作特性(ROC)曲线下面积(AUC)评估各模型诊断效能。结果:logistic回归显示ΔT_(1)%(OR=1.512)、T_(2)(OR=6.907)可构建弛豫定量模型,时间—信号强度曲线类型(TIC)(OR=2.464)可构建BI-RADS模型,ΔT_(1)%、T_(2)、ADC、TIC构建联合诊断模型,联合诊断模型诊断AUC为0.874,显著高于弛豫定量模型0.768和BI-RADS模型0.644,差异均具有统计学意义(P<0.05)。结论:syMRI联合DWI定量参数和DCE-MRI可以提高BI-RADS 4类肿块的诊断效能,是区分乳腺BI-RADS 4类结节良、恶性的一种很有前途的诊断方法。

基于改进INFO-Bi-LSTM模型的SO_(2)排放质量浓度预测

针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。

PLK1抑制剂(R)-BI-2536的合成

为进一步优化PLK1抑制剂(R)-BI-2536的合成,以3-羟基-4-硝基苯甲酸为起始原料,经过甲基化、水解、缩合和还原反应4步合成中间体酰胺化合物,以2-氨基丁酸为起始原料,经过酯化、还原胺化、取代、关环和N-甲基化反应5步合成了中间体二氢喋啶酮类化合物,最后通过亲核取代反应完成了PLK1的抑制剂(R)-BI-2536的合成,总收率为19.2%,其结构由1H NMR和MS表征。

基于FinBERT和Bi-GRU的篇章级事件检测模型

现有的篇章级事件检测方法一般分为候选实体抽取和事件检测两个子任务,候选实体抽取任务的精度影响着事件检测任务的结果。针对现有方法候选实体抽取精度不足的问题,提出了基于FinBERT和Bi-GRU的篇章级事件检测模型。首先,采用FinBERT预训练模型提升词嵌入向量对金融语义的表示能力,从而增强模型对金融语义的感知。其次,将上一层获取到的语义表示输入Bi-GRU模型和多头注意力机制中捕获全局和局部特征,通过CRF进行解码并标注出候选实体和实体类型。最后,根据抽取的候选实体信息判断篇章中存在的预定义事件。实验结果表明,本文方法提升了候选实体抽取任务的精度,取得了较好的篇章级事件检测结果。

基于BO-BiGRU-Attention短期电力负荷预测

电力系统的可靠供应对于工业、商业和居民的生活至关重要。为了满足电力需求并维持电力系统的稳定运行,提高短期电力负荷预测的准确性和可靠性尤为关键;针对负荷数据存在复杂的非线性特性,该文提出一种基于贝叶斯优化算法的双向门控循环单元和注意力机制(BO-BiGRU-Attention)的混合预测模型对短期电力负荷进行精准预测。首先,使用Min-Max Normalization方法对负荷数据进行归一化处理。其次,利用BiGRU网络捕获序列中的长期依赖关系和上下文信息,结合注意力机制,通过在输入序列的不同部分给予不同的权重,从而突出关键特征。最后,针对BiGRU-Attention模型的超参数难以选取最优解的问题,引入贝叶斯优化算法对BiGRU-Attention模型的超参数进行寻优,完成短期电力负荷的预测。采用印度北部某地区的电力负荷数据进行预测分析,仿真结果表明,BO-BiGRU-Attention网络表现优于其他模型,各误差评价指标最小,其中MAE、RMSE和MAPE分别为56.67,73.49和1.16%,预测精度达到了99.47%。

基于DKF-Bi-LSTM的阀控式铅酸电池SOC在线估计方法

精准估计阀控式铅酸蓄电池的荷电状态(SOC)对变电站直流系统的可靠性和安全性有着重要的作用,为提高SOC估算精度,提出一种基于DKF-Bi-LSTM的铅酸蓄电池SOC在线估计方法,基于二级结构的双卡尔曼滤波算法,分别进行模型估计和状态估计。通过卡尔曼滤波算法对模型参数进行动态跟踪,进而基于扩展卡尔曼滤波算法在线估算电池SOC值。将在线估算结果、电流、电压、温度值作为Bi-LSTM神经网络的输入,电池SOC预测值作为网络输出,实现对电池SOC的在线估计。经测试发现,与DKF和Bi-LSTM算法相比,DKF-Bi-LSTM算法的SOC预测均方根误差更小,其SOC在线估计方法具有更高的准确性。

用于^(211)At生产的高功率金属Bi靶热效应模拟

为提高用于医用同位素^(211)At生产的金属Bi靶在高束流功率作用下的可靠性与使役寿命,对多种束流均匀化方法进行了模拟与对比,利用计算流体力学(CFD)方法模拟分析了在wobbler磁铁作用下强度为500 eμA的α束流轰击Bi靶产生的热效应,为靶系统的设计和寿命的延长提供了关键技术支撑。结果表明,通过扫描实现束流均匀化可大幅降低靶上的最大热功率密度;在靶前采用wobbler磁铁对束流进行周期性圆扫描可有效降低Bi靶的表面温度。当扫描频率为50 Hz时,Bi靶最高温度为189.8℃,低于其熔点(271.3℃),能够满足Bi靶在此高功率束流照射下安全运行的温度要求。

基于聚类的HPO-BILSTM光伏功率短期预测

考虑到光伏发电功率在不同天气类型下的波动性和不确定性,对此提出一种基于模糊C均值聚类算法(FCM)和猎食者优化算法(HPO)优化双向长短期记忆网络(BILSTM)的光伏发电短期功率预测模型。首先对光伏发电数据进行处理和分析,再进行主成分分析(PCA)降维和FCM聚类算法将数据按天气类型分为阴、晴、雨;最后通过HPO筛选得出BILSTM神经网络的最佳超参数,避免因超参数设置不佳对实验带来的影响,进一步提高实验的准确性和模型的泛化能力。最后通过预测和对比实验进行分析,验证所提方法的优越性。

BiUNet:基于双层路由注意力的轻量化医学分割网络

针对视觉Transformer骨干提取网络计算开销大,模型训练缓慢的问题,同时为了进一步提升Transformer结构在医学图像领域的分割性能,提出一种名为BiUNet的新型轻量级U型架构的医学图像分割网络。将输入医学图像整切成若干图像块后,送入一种基于双层路由动态稀疏注意力机制的BiFormer转换器中,通过组合下采样和特定块数的BiFormer模块,构建多级金字塔结构实现特征提取。随后通过组合上采样和卷积模块,相应构建多级金字塔结构进行特征解码,进而实现像素级语义分割。该模型在3个医学数据集上依次取得了90.2%, 93.7%和85.6%的mIoU值以及5.55 G的Flops和28.10 M的参数量。结果表明,BiUNet能够以轻量化的效果有效提升医学图像分割的精度。

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。

乳腺超声BI-RADS 4类在乳腺癌患者良恶性鉴别中的应用

目的:探讨乳腺超声BI-RADS 4类在乳腺癌患者良恶性鉴别中的应用价值。方法:回顾性分析2023年1月—10月在盐城市妇幼保健院治疗的50例乳腺影像报告和数据系统(BI-RADS)4类乳腺结节患者的临床资料,均实施乳腺超声检查,以病理检查结果为金标准,分析乳腺超声对乳腺结节良恶性的诊断效能,对比良恶性结节的超声征象。结果:病理结果显示,恶性14例,良性36例;乳腺超声检查显示,恶性15例,良性35例,乳腺超声检查的灵敏度为85.71%、特异度为91.67%、准确率为90.00%,Kappa值=0.849,与病理检查结果一致性良好;恶性结节与良性结节在年龄、单发或多发、内部回声、后方回声方面差异无统计学意义(P>0.05),但恶性结节直径大于良性结节,且形态、边缘、高回声声晕、微钙化、汇聚征、弹性评分、血流分布等与良性结节相比差异有统计学意义(P<0.05)。结论:乳腺超声BI-RADS 4类在乳腺良恶性鉴别中的应用效果显著,良恶性病灶具有不同的超声影像特征,能提高对乳腺癌的诊断效能。

基于TCN-BiLSTM网络的电力电缆故障诊断

为了提升电力电缆故障诊断技术的准确率,解决传统电力电缆诊断过程中操作复杂、可靠性低和精准度不够等问题,提出了一种基于TCN和BiLSTM的电力电缆故障诊断方法。该方法的核心是使用Matlab/Simulink搭建三相电缆的仿真模型,按照电缆的实际参数设置模型,然后提取出电缆的四种短路故障:单相接地短路、双相接地短路、双相相间短路以及三相短路的电压信号。构建电缆故障样本集,搭建TCN和BiLSTM网络对电缆故障信号进行特征提取和序列捕捉,通过与TCN网络和CNN-BiLSTM网络进行实验对比,以及对从淮南某煤矿采集到的数据进行验证,证明该方法对电缆故障诊断具有良好的性能。