基于磁记忆检测方法的连续油管刻伤试验研究

随着连续油管的大规模投入使用,油管损伤引起的安全事故与日俱增。为了及时对油管使用过程中产生的缺陷进行检测、识别及定位,基于磁记忆检测方法,对连续油管进行管壁刻伤试验,结合workbench有限元方法模拟刻伤处的应力分布,对比分析不同刻伤类型产生的典型信号特征及信号特征值变化趋势。结果表明:刻伤部位的磁记忆信号曲线与应力分布曲线的特征及峰值变化趋势一致,随着刻伤宽度的增加,磁记忆信号曲线及应力分布曲线由单峰向双峰过渡,磁记忆信号峰值及应力峰值呈降低趋势;随着刻伤深度的增加,磁记忆信号曲线及应力分布曲线峰峰值增加,磁记忆信号峰值及应力峰值呈升高趋势。     

黄精多糖对老龄大鼠记忆获得和记忆再现的影响

用中药黄精（Ｐｏｌｙｇｏｎａｔｕｍｓｐ．）中提取的多糖ＰＰ三种剂量连续灌胃老龄大鼠,于ｄ１５和ｄ３０进行迷宫测定,以检测黄精多糖对大鼠记忆获得和记忆再现的影响．结果显示：连续灌胃１５ｄ,黄精多糖能明显降低大鼠迷宫测试中的错误次数,显著提高大鼠学习和记忆能力;ｄ３０测试获同样结果,潜伏期测试表明能明显缩短潜伏期．另外ＰＰ对大鼠的体重变化无影响,也无副作用     

VOCs、细菌及颗粒物混合暴露致小鼠学习记忆障碍机制研究

室内空气污染的现状是多种污染源共存,挥发性有机物(volatile organic compounds, VOCs)、细菌及颗粒物等是典型室内空气污染物。神经行为学毒性是室内空气污染引起的敏感毒性作用之一。为了探讨VOCs、细菌及颗粒物混合暴露对小鼠学习记忆能力的影响及机制,选用雄性昆明小鼠70只,随机分为对照(G1)和2～7(G2～G7)号染毒组。采用水迷宫和抓力仪测定小鼠的学习记忆潜伏期和抓力,染毒结束后测定全脑中活性氧(ROS)、丙二醛(MDA),神经递质谷氨酸(Glu)、乙酰胆碱(Ach)含量以及胆碱能系统的乙酰胆碱转移酶(ChAT)和乙酰胆碱酯酶(TChE)活力,同时分析脑源性神经营养因子(BDNF)、胶质细胞神经营养因子(GDNF)及神经生长因子(NGF)的水平。结果显示,第6天,G5、G6及G7小鼠的抓力、逃避潜伏期及在原平台所在象限的探索时间较对照组存在显著差异,并且伴有ROS、MDA含量的显著升高,Glu含量的显著升高,Ach含量、ChAT及TChE活力的显著降低,以及神经营养因子的显著下调(P<0.05或P<0.01)。研究结果表明,VOCs、颗粒物及细菌混合暴露能够导致小鼠学习记忆障碍,混合暴露引起的氧化损伤诱导的神经兴奋或抑制性毒性作用,以及神经营养因子沿轴突逆向传递降低或中断两方面作用导致神经递质产生和释放异常,进而引起学习记忆能力降低。     

记忆中的邢台地震

当您翻开这一贞,南空中拍摄的地震火害区域图就映入了眼帘,40年前的往事浮现在脑海中……     

动态残差修正LSTM算法的突发型滑坡位移预测

针对突发型滑坡存在位移趋势突变性，传统长短时记忆(LSTM)神经网络方法存在位移预测精度不足的困难，提出一种基于动态残差修正LSTM算法的突发型滑坡位移预测方法。首先，采用动态流转训练，将由累计位移得到的变形速率通过经验模态分解(EMD)得到周期项及趋势项；其次，通过多项式预测趋势项、动态LSTM预测周期项，并由2项之和得到主预测变形速率；随后，通过对比实测速率与主预测变形速率，得到残差项，并建立动态流转训练的残差LSTM网络预测残差速率；然后，由主预测变形速率与残差预测变形速率之和得到最终预测速率，并进一步得到累计位移预测值；最后，以某突发型滑坡为例，验证该方法的科学性、有效性，以及预测精度和优势。结果表明：将变形速率序列作为预测对象并进一步得到累计位移预测值，比直接预测累计位移值具有更高的准确性；而基于动态残差修正LSTM算法预测的MAE、MAPE、RMSE及R²指标分别为43.843、1.901%、79.394和0.960,相比于传统LSTM预测方法具有明显优势。     

时序数据驱动的化工过程风险动态预警研究

对化工过程进行在线监测与动态风险预警是降低事故发生的有效途径。提出了一种基于深度学习时序预测与模糊数学定量风险评估相结合的预警方法。针对化工过程数据的动态性、时序性、非线性强，且预测周期短等问题，将卷积神经网络(Convolutional Neural Networks, CNN)与长短期记忆网络(Long Short-Term Memory, LSTM)模型结合形成深度学习时序预测模型，实现过程参数108 min的超前预测。将该方法应用于合成氨过程，对温度、压力、流量、氢氮比等6个风险参数进行预测。结果表明，该预测方法具有较高的预测精度，其线性回归相关系数及均方根误差表明所提出的方法具有非常高的精度。同时利用三角模糊数对时序预测结果进行风险评估，得到时序风险变化曲线，实现了化工过程风险预警。研究对使用人工智能和大数据实现过程控制和风险预警进行了有益探索，为实现化工过程的超前预警提供参考。     

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题，采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾，并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据，然后用PSO优化LSTM的隐藏层神经元个数和学习率，提高了LSTM的预测精度。通过与其他3种神经网络对比，PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿，可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。     

基于MSLSTM-DA模型的水质自动监测异常数据报警

提出一种基于多元堆叠长短时记忆网络-差值分析(MSLSTM-DA)模型对地表水质异常数据进行报警的方法.该方法首先建立MSLSTM模型对水质指标数据进行预测,再基于预测结果的残差分布建立DA模型,并确定各个指标的数据异常阈值,当实测数据与预测数据差值大于阈值时进行数据报警.以长江流域监测断面的水质数据进行了方法有效性验证.结果表明,构建的预测模型对５个指标的MAE、MAPE均值比BP神经网络预测模型降低21.0%,17.8%,比LSTM模型降低16.8%,17.9%.皮尔逊系数均值比BP神经网络、LSTM模型的分别高5.9%,4.4%.5个指标共检出水质异常数据37条,其中34条经人工判断确实存在有异常,报警准确率高达91.9%.     

大坝变形GA-LSTM组合预测模型研究

为监测大坝运行过程中的异常状态，防范化解大坝溃坝等重大风险，基于大坝变形大样本、非线性监测数据，引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测，以测试样本的均方根误差最小为适应度函数，采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数，建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析，并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明，GA-LSTM模型的预测效果和性能更佳，且相较于LSTM模型和GRU模型各测点预测误差均有减小，平均绝对误差减小量最高达6.92%。