Forchheimer方程作为非达西渗流中广泛应用的基本方程之一,方程中A、B系数的确定一直是孔隙介质渗流领域中的热点及难点,不同学者根据渗流试验结果提出了不同的Forchheimer方程A、B系数的经验公式,但对于均质以及混合粒径的非均质条件...Forchheimer方程作为非达西渗流中广泛应用的基本方程之一,方程中A、B系数的确定一直是孔隙介质渗流领域中的热点及难点,不同学者根据渗流试验结果提出了不同的Forchheimer方程A、B系数的经验公式,但对于均质以及混合粒径的非均质条件下评价各经验公式适用性的研究较少。因此在渗流阻力试验的基础上,采用归一化目标函数和线性回归法评价了Forchheimer方程经验公式的适用性,为不同孔隙介质条件下Forchheimer方程经验公式的选取提供参考。结果表明:对于均质孔隙介质,Sidiropoulou公式对水力梯度有着很好的预测效果;对于2种混合粒径孔隙介质,在使用平均粒径的基础上,还应考虑混合粒径的质量比和大小因素,Macdonald公式的预测效果受混合粒径的质量比和大小影响较小,Kadlec and Knight公式对于水力梯度的预测结果较为稳定;对于5种混合粒径孔隙介质,使用d60作为特征粒径进行预测的效果较好,Kadlec and Knight公式对于系数A的预测效果较好,Ergun公式对于系数B的预测效果较好。研究结果能够为工程中均质及非均质松散砂砾石孔隙介质渗流计算的Forchheimer方程的选取提供依据。展开更多
中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的...中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的中文电子病历实体关系联合抽取模型AMFRel(adversarial learning and multi-feature fusion for relation triple extraction),提取电子病历的文本和词性特征,得到融合词性信息的编码向量;利用编码向量联合对抗训练产生的扰动生成对抗样本,抽取句子主语;利用信息融合模块丰富文本结构特征,并根据特定的关系信息抽取出相应的宾语,得到医疗文本的三元组。采用CHIP2020关系抽取数据集和糖尿病数据集进行实验验证,结果显示:AMFRel在CHIP2020关系抽取数据集上的Precision为63.922%,Recall为57.279%,F1值为60.418%;在糖尿病数据集上的Precision、Recall和F1值分别为83.914%,67.021%和74.522%,证明了该模型的三元组抽取性能优于其他基线模型。展开更多
文摘Forchheimer方程作为非达西渗流中广泛应用的基本方程之一,方程中A、B系数的确定一直是孔隙介质渗流领域中的热点及难点,不同学者根据渗流试验结果提出了不同的Forchheimer方程A、B系数的经验公式,但对于均质以及混合粒径的非均质条件下评价各经验公式适用性的研究较少。因此在渗流阻力试验的基础上,采用归一化目标函数和线性回归法评价了Forchheimer方程经验公式的适用性,为不同孔隙介质条件下Forchheimer方程经验公式的选取提供参考。结果表明:对于均质孔隙介质,Sidiropoulou公式对水力梯度有着很好的预测效果;对于2种混合粒径孔隙介质,在使用平均粒径的基础上,还应考虑混合粒径的质量比和大小因素,Macdonald公式的预测效果受混合粒径的质量比和大小影响较小,Kadlec and Knight公式对于水力梯度的预测结果较为稳定;对于5种混合粒径孔隙介质,使用d60作为特征粒径进行预测的效果较好,Kadlec and Knight公式对于系数A的预测效果较好,Ergun公式对于系数B的预测效果较好。研究结果能够为工程中均质及非均质松散砂砾石孔隙介质渗流计算的Forchheimer方程的选取提供依据。
文摘中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的中文电子病历实体关系联合抽取模型AMFRel(adversarial learning and multi-feature fusion for relation triple extraction),提取电子病历的文本和词性特征,得到融合词性信息的编码向量;利用编码向量联合对抗训练产生的扰动生成对抗样本,抽取句子主语;利用信息融合模块丰富文本结构特征,并根据特定的关系信息抽取出相应的宾语,得到医疗文本的三元组。采用CHIP2020关系抽取数据集和糖尿病数据集进行实验验证,结果显示:AMFRel在CHIP2020关系抽取数据集上的Precision为63.922%,Recall为57.279%,F1值为60.418%;在糖尿病数据集上的Precision、Recall和F1值分别为83.914%,67.021%和74.522%,证明了该模型的三元组抽取性能优于其他基线模型。