采用Gleeble-3500热物理模拟机对7050铝合金进行等温热压缩实验,获得了合金在变形温度为300~450℃以及应变速率为0.001~1 s^(-1)条件下的应力应变数据。在此基础上,建立了经灰狼优化算法(Grey wolf optimization,GWO)优化的反向传播神...采用Gleeble-3500热物理模拟机对7050铝合金进行等温热压缩实验,获得了合金在变形温度为300~450℃以及应变速率为0.001~1 s^(-1)条件下的应力应变数据。在此基础上,建立了经灰狼优化算法(Grey wolf optimization,GWO)优化的反向传播神经网络(BPNN)、支持向量机(SVR)和随机森林(RF)模型并验证其预测精度。结果表明:经过GWO优化的BPNN、SVR和RF模型预测精度高于原始模型;GWO-BPNN与GWO-RF模型的预测精度比较接近,且均高于GWO-SVR;在外推数据预测上,GWO-BPNN模型的预测精度更高,在内插数据预测上,GWO-RF模型的预测精度更高。不同机器学习模型对流动应力数据的拟合效果不同,其预测精度也存在差异。展开更多
随着信号采集设备的带宽越来越宽,大量感兴趣或者不感兴趣信号被捕捉,多信号的盲识别问题是一个难题,更是一个亟需解决的问题。传统的识别大都基于功率、频谱或相位等诸多先验知识进行模板匹配,但在全盲条件下对多信号进行自适应识别是...随着信号采集设备的带宽越来越宽,大量感兴趣或者不感兴趣信号被捕捉,多信号的盲识别问题是一个难题,更是一个亟需解决的问题。传统的识别大都基于功率、频谱或相位等诸多先验知识进行模板匹配,但在全盲条件下对多信号进行自适应识别是一个更加复杂的问题。为此,提出了一种基于通用软件无线电外设(Universal Software Radio Peripheral,USRP)、片上射频网络(RF Network on Chips,RFNOC)和Keras的自适应信号盲识别算法。首先构造基于深度学习的神经网络,然后使用初始IQ数据、初始功率谱密度数据和快速傅里叶变换(Fast Fourier Transform,FFT)累积算法处理后的谱相关密度数据等三种不同的初始数据去训练它,利用其自适应性实现多信号的盲识别,最后通过基于USRP、RFNOC和Keras的软硬件验证了该算法的有效性和鲁棒性。展开更多
核反应堆中极高参数条件下换热系数(Coefficient of Heat Transfer,HTC)的准确预测对反应堆的设计及运行至关重要,但因涉及不同流型的多重因素影响的复杂情形,物理机理仍不完全明晰。由于缺乏满足实际反应堆高温高压下的参数实验数据,...核反应堆中极高参数条件下换热系数(Coefficient of Heat Transfer,HTC)的准确预测对反应堆的设计及运行至关重要,但因涉及不同流型的多重因素影响的复杂情形,物理机理仍不完全明晰。由于缺乏满足实际反应堆高温高压下的参数实验数据,而严重依赖实验数据的半经验关系式很难满足核反应堆高精度数值计算的要求。深度学习算法能够有效预测和解决复杂的非线性问题,但存在外推性能差以及过拟合等不足。本研究采用先验物理信息Jens-Lottes关系式、Thom关系式与机器学习算法中多层感知机(Multi-layer Perceptron,MLP)、反向传播神经网络(Backpropagation Neural Network,BPNN)和随机森林(Random Forest,RF)相结合的方式开发HTC预测模型,基于圆管通道HTC实验数据训练神经网络并进行验证,对6种不同的物理信息机器学习(Physical Information Machine Learning,PIML)算法模型的适用性以及预测精度进行评估。结果表明:(1)基于Jens-Lottes关系式与RF相结合的模型为最佳预测模型,对实验数据的预测平均相对误差为3.17%,且模型可扩展范围占总适用范围的63.6%,具有良好的外推适用性(;2)使用基于物理信息机器学习算法能够有效提高关系式的计算准确度,基于Jens-Lottes关系式与RF相结合的模型相比于经验关系式评价相对误差降低了24.5%。本研究结果为说明采用物理信息机器学习算法对核反应堆热工参数经验关系式的计算可提高精度并扩大适用范围提供了参考依据。展开更多
文摘采用Gleeble-3500热物理模拟机对7050铝合金进行等温热压缩实验,获得了合金在变形温度为300~450℃以及应变速率为0.001~1 s^(-1)条件下的应力应变数据。在此基础上,建立了经灰狼优化算法(Grey wolf optimization,GWO)优化的反向传播神经网络(BPNN)、支持向量机(SVR)和随机森林(RF)模型并验证其预测精度。结果表明:经过GWO优化的BPNN、SVR和RF模型预测精度高于原始模型;GWO-BPNN与GWO-RF模型的预测精度比较接近,且均高于GWO-SVR;在外推数据预测上,GWO-BPNN模型的预测精度更高,在内插数据预测上,GWO-RF模型的预测精度更高。不同机器学习模型对流动应力数据的拟合效果不同,其预测精度也存在差异。
文摘随着信号采集设备的带宽越来越宽,大量感兴趣或者不感兴趣信号被捕捉,多信号的盲识别问题是一个难题,更是一个亟需解决的问题。传统的识别大都基于功率、频谱或相位等诸多先验知识进行模板匹配,但在全盲条件下对多信号进行自适应识别是一个更加复杂的问题。为此,提出了一种基于通用软件无线电外设(Universal Software Radio Peripheral,USRP)、片上射频网络(RF Network on Chips,RFNOC)和Keras的自适应信号盲识别算法。首先构造基于深度学习的神经网络,然后使用初始IQ数据、初始功率谱密度数据和快速傅里叶变换(Fast Fourier Transform,FFT)累积算法处理后的谱相关密度数据等三种不同的初始数据去训练它,利用其自适应性实现多信号的盲识别,最后通过基于USRP、RFNOC和Keras的软硬件验证了该算法的有效性和鲁棒性。
