关键词： 拖拉机   焊接结构   振动疲劳   寿命预测   机器学习   深度学习  

摘要： 焊接结构广泛应用于实际工程中,常常承受着复杂的随机动载荷,当动载荷频率与结构固有模态频率接近时,接头会发生疲劳破坏,而传统的单轴静载疲劳分析方法无法准确预测这种情况下的疲劳寿命。因此,需要采用更加精细和准确的方法来分析焊接结构的疲劳寿命,以保证结构的安全性和可靠性。为此,基于统计学和机器学习方法构建了预测模型,包括基于逐步回归的多元线性回归模型、基于支持向量机的非线性回归模型和基于神经网络的深度学习模型。同时,以农业拖拉机为研究目标,对比分析了3种模型的预测性能,结果表明:基于神经网络的深度学习模型具有最佳的预测精度和稳定性。

关键词： 人工智能   水利工程   BIM   监测管理  

摘要： 随着水利工程信息化的发展，产生了多板块、多类型、多尺度的海量运行监测管理数据，人工智能技术具有学习性好、协作性强、模拟效率高等优点，具有良好的适应处理和分析预测效果，对于提升水利工程的监测、调度和管理能力具有很大的推动作用。本文通过对人工智能在水利工程数字化监管的技术创新路径进行了探索，同时结合在溪洛渡水电站运行监测管理中人工智能辅助BIM构建、提升安全运行智能监测效率的实际应用，总结和展望人工智能在水利工程监管实践中的经验参考和发展趋势。

关键词： 磁性元件   磁集成技术   分布式气隙   漏感精确建模   双二维有限元模型   机器学习  

摘要： 近年来，随着高频电力电子磁元件不断发展，双有源桥变换器(Dual Active Bridge， DAB)拓扑受到广泛应用。DAB传递功率需要变压器串联较大电感，传统分立磁件方案采用变压器及独立电感串联，功率密度低，而现有磁集成结构存在励磁电感下降、损耗高等问题。为此，本文研究一种磁芯中柱设置分布式气隙的磁集成结构，建立其励磁电感解析模型，对分立磁件方案、传统磁集成方案与所提结构进行系统比较，并制作样机证明所提结构具有低损耗、小体积等优点。此外，为准确计算该结构漏感并在优化设计中实现漏感精准控制，提出基于双二维法的漏感建模方法。首先针对所提结构建立主视图和左视图的双二维计算模型，为考虑三维下气隙扩散磁通影响，提出气隙修正系数以改进双二维计算精度，其次，针对影响漏感因素进行系统的参数灵敏度分析，以此进行归一化处理及参数扫描，然后，采用基于蚁群算法的BP神经网络建立漏感计算模型。最后，通过3台样机测试，验证漏感模型的准确性。

关键词： 程序验证   算法选择   图神经网络   机器学习  

摘要： 软件验证作为一种广泛采用的确保软件正确性的技术，在过去几十年里取得了显著的进步，同时产生了丰富的软件验证算法和验证工具资源。然而，在同一验证问题上，这些算法的性能差异高达4个数量级。即使对于验证专家来说，选择适用于特定软件的验证算法或工具仍然是一项极具挑战性的任务。本文针对软件验证中的算法选择问题进行了研究，并提出了一种基于图神经网络（graph neural network，GNN）的算法选择模型。首先将待验证的程序转化为图数据结构，然后进行多次特征变换，最终生成图形表示。基于这个图形表示，GNN用于预测在特定验证任务上各种验证算法的得分。根据这些得分，选择器能够选择最适合用于验证该程序的算法。通过在最新可用的数据集上进行实验评估，本文的模型相较于先前的算法选择模型提高了大约8%的预测精度。

关键词： 机器学习   无监督学习   聚类   自组织特征映射神经网络  

摘要： 在自组织映射模型(Self-Organizing Map， SOM)的训练过程中，不同类数据对权重矩阵的更新产生不同作用，某一类数据对权重矩阵的更新会对其它类获胜神经元特征向量产生偏离其数据特征的影响，从而降低算法聚类精度。针对以上问题，本文提出了一种改进的基于置信度SOM模型(improved confidence-based SOM model， icSOM)。样本数据先由k-means算法初步分类，为模型训练提供更多的数据信息；将预分类后的数据分别训练相互独立的SOM模型，以消除不同类之间的影响；在传统SOM模型基础上提出置信度矩阵概念，通过综合判断获胜神经元的置信度及其与输入数据间的欧氏距离最终得到置信神经元，根据置信神经元所属类别给数据分配聚类标签。利用icSOM对鸢尾花数据集(Iris)及葡萄酒数据集(Wine)聚类分析，实验结果表明，本文算法可以更好的处理样本数据，取得了较好的聚类效果。

关键词： 机器学习   低压供电   台区拓扑   负荷预测   精益管理   数据赋能  

摘要： 随着营商环境持续优化,电网投资界面不断延伸、低压接入容量不断放开,容量高报导致低压配变容量日趋紧张、问题日渐凸显,此现象既延长了台区用户整体“获得电力”时间、降低了用户体验感,又驱使电网投资不断攀升、投资回报率不断下降。针对此问题,探索构建低压供电容量精益管理模型,重点阐述了低压台区拓扑与户变关系、低压用户负荷特性及预测、存量台区资源利用率评估以及增量台区全过程精益管理的研究方法及实现思路。

关键词： 人工智能   市政给排水   管道漏损检测   深度学习   物联网技术  

摘要： 本研究以市政给排水管道漏损为研究对象,对人工智能技术在其中的创新应用及效果评估进行探究。从背景上看,传统的漏损检测方法具有效率低下,成本较高,精度不够的局限性,很难适应现代化城市管理的需要。研究旨在研发出高效准确的漏损检测系统来促进市政给排水系统运行维护效率。方法方面,研究将深度学习算法和物联网技术融合在一起,通过搭建智能监测网络实现管道运行状态实时监控和数据分析。结论表明:本人工智能检测系统可显著提升漏损检测准确率与效率,并有效减少漏损率的发生,可为市政给排水管理等工作提供强有力的支撑。

关键词： 网络平台   人工智能   问卷调查活动   手工劳动   AI   工作效率   调查数据   纸质问卷  

摘要： 秘书在实际工作中,出于写文章、做材料、搞研究或单位工作的需要,常会进行问卷调查活动。在没有网络的年代,往往要依靠制作纸质问卷方式,通过现场分发填写或邮寄传送等途径,发放、回收、整理、统计问卷,经过一系列繁琐的过程,才能得到所需调查数据,比较费时费力。而现在,新兴网络平台提供的调查服务项目不断涌现,功能日益增强,人工智能水平不断提高,服务也越来越贴心。这对于经常要进行各种文案设计制作、开展调查研究的秘书来说,无疑是个福音,不仅取代了手工劳动、解放了人力,还大大提高了工作效率。

关键词： 盾构掘进   地表沉降预测   机器学习   超参数优化  

摘要： 针对采用机器学习方法预测盾构掘进地表沉降的研究,围绕预测模型的输入参数、预测目标、算法选取和超参数智能优化4个方面的研究进展开展系统综述,总结出当前研究中亟需解决的关键问题,并展望该领域的未来发展方向。研究表明:1)结合隧道几何参数、地层参数和盾构操作参数等信息进行沉降预测是当前主流的研究方向;2)沉降预测前需根据预测目标选取合适的模型和输入参数;3)通过超参数智能算法优化模型参数以提升预测精度。然而,现阶段的研究仍面临着诸多挑战:1)预测模型普遍缺乏特征自主识别能力且易发生过拟合;2)对海量数据的挖掘与分析尚不深入;3)尚未构建基于多源异构数据集的强鲁棒性模型;4)对地表沉降发展过程的预测研究相对匮乏。最后,展望盾构隧道智能掘进领域中需重点攻克的难题。

关键词： 循证教育   认知大模型技术   教学融合   教育改革   人工智能  

摘要： 以循证教育的决策与实践为理论基础,研讨认知大模型技术在教育领域的应用,分析其与教学融合的必要性、可能性及带来的变革。通过分析具体案例和介绍实践经验,阐述了认知大模型技术如何提升教学质量、改变传统教学模式。