排序方式: 共有84条查询结果,搜索用时 15 毫秒
81.
为评估使用热电偶测量涡轮叶片表面温度数据结果与真实温度的偏差,确保数据准确和有效使用,针对在涡轮叶片综合冷效试验中应用较多的侵入式热电偶敷设测温方式,从工程应用角度出发,提炼出与涡轮叶片表面温度测量准确度有关联的操作工序引入额外热阻、热电偶埋入深度和热电偶埋入间隙等工艺影响因素.通过数值模拟和试验研究,获取了热电偶埋入... 相似文献
82.
以小麦秸秆生物炭作为类水滑石的载体,采用水热合成法制备出生物炭锌钴水滑石复合材料(BC@Zn/Co-LDHs),并研究材料投加量、吸附时间、污染物初始浓度、pH和温度等条件对P吸附性能的影响。研究结果表明:BC@Zn/Co-LDHs材料对P的吸附动力学过程符合准二级动力学模型,等温吸附过程符合Freundlich模型,属于多层吸附;在pH为6.00,材料投加量为1.0 g/L,磷酸根浓度为30mg/L,吸附时间为60 min时,BC@Zn/Co-LDHs复合材料对P的吸附效果最好,去除率为92.98%。 相似文献
83.
为了解决训练传统深度神经网络对大数据的依赖问题,气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络(physics-informed neural network, PINN)是一种非监督的学习算法,采用深度神经网络直接逼近流场偏微分方程的解,因此适用于气动数据的建模。然而训练PINN时,损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差,对于复杂的非线性偏微分方程,这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差,而且用神经网络拟合初始条件和边界条件时,不可避免存在拟合误差,误差随空间和时间累计,这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题,本文把PINN与流场的计算流体动力学(Computational Fluid Dynamics, CFD)仿真结果进行融合,在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差,从而提高了神经网络的建模精度。根据CFD仿真时使用的模型,融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。 相似文献
84.