针对菲律宾蛤仔等埋栖贝类采收作业时底质颗粒间缺乏准确的接触参数,该研究以辽宁丹东大鹿岛菲律宾蛤仔养殖区浅海底质为研究对象,选取EDEM中Hertz-Mindlin with JKR接触模型,对底质颗粒间接触参数进行标定。通过物理试验测定了浅海底...针对菲律宾蛤仔等埋栖贝类采收作业时底质颗粒间缺乏准确的接触参数,该研究以辽宁丹东大鹿岛菲律宾蛤仔养殖区浅海底质为研究对象,选取EDEM中Hertz-Mindlin with JKR接触模型,对底质颗粒间接触参数进行标定。通过物理试验测定了浅海底质含水率、容重、内摩擦角、粘聚力和泊松比。基于漏斗法测定了浅海底质堆积角,确定了需要标定接触参数的范围为:JKR表面能4.50~18.00 J/m^(2)、碰撞恢复系数0.35~0.75、静摩擦系数0.20~1.04、滚动摩擦系数0.10~0.20。通过Design-Expert软件的优化模块对模型寻优得到JKR表面能、碰撞恢复系数、静摩擦系数、滚动摩擦系数分别为10.96 J/m^(2)、0.37、0.63、0.10,在该最优解下仿真试验所得堆积角为49.83°,与物理试验所得的堆积角(51.00°)相对误差为2.29%。通过旋切试验对底质间接触参数进行验证,在物理试验与仿真试验中,旋切机构刀轴扭矩相对误差为7.76%,相对误差较小,结果表明标定的参数准确可靠,可为后续研究浅海底质-蛤仔-采收机构互作机制提供重要参考。展开更多
随着能源行业的快速发展和技术革新,大量的专业术语和表达方式不断更新,新词不断涌现。然而,传统的新词发现方法通常依赖于词典或规则,且难以高效率地处理和更新大量的专业术语,特别是在快速变化的能源领域。因此,结合能源领域文本数据...随着能源行业的快速发展和技术革新,大量的专业术语和表达方式不断更新,新词不断涌现。然而,传统的新词发现方法通常依赖于词典或规则,且难以高效率地处理和更新大量的专业术语,特别是在快速变化的能源领域。因此,结合能源领域文本数据特性,提出了一种融合N-Gram和多重注意力机制的能源领域新词发现方法(new word discovery method in the energy field combining N-Gram and multiple attention mechanism, ENFM)。该方法首先利用N-Gram模型对能源领域的文本数据进行初步处理,通过统计和分析词频来生成新词候选列表。随后,引入融合多重注意力机制的ERNIE-BiLSTM-CRF模型,以进一步提升新词发现的准确性和效率。与传统的新词发现技术相比,在新词的准确识别和整体效率上均有显著提升,将其于能源领域政策文本数据集,准确率、召回率和F1分别为95.71%、95.56%、95.63%。实验结果表明,该方法能够准确地在能源领域的大量文本数据中识别新词,有效识别出能源领域特有的词汇和表达方式,显著提高了中文分词任务中对能源领域专业术语的识别能力。展开更多
文摘针对菲律宾蛤仔等埋栖贝类采收作业时底质颗粒间缺乏准确的接触参数,该研究以辽宁丹东大鹿岛菲律宾蛤仔养殖区浅海底质为研究对象,选取EDEM中Hertz-Mindlin with JKR接触模型,对底质颗粒间接触参数进行标定。通过物理试验测定了浅海底质含水率、容重、内摩擦角、粘聚力和泊松比。基于漏斗法测定了浅海底质堆积角,确定了需要标定接触参数的范围为:JKR表面能4.50~18.00 J/m^(2)、碰撞恢复系数0.35~0.75、静摩擦系数0.20~1.04、滚动摩擦系数0.10~0.20。通过Design-Expert软件的优化模块对模型寻优得到JKR表面能、碰撞恢复系数、静摩擦系数、滚动摩擦系数分别为10.96 J/m^(2)、0.37、0.63、0.10,在该最优解下仿真试验所得堆积角为49.83°,与物理试验所得的堆积角(51.00°)相对误差为2.29%。通过旋切试验对底质间接触参数进行验证,在物理试验与仿真试验中,旋切机构刀轴扭矩相对误差为7.76%,相对误差较小,结果表明标定的参数准确可靠,可为后续研究浅海底质-蛤仔-采收机构互作机制提供重要参考。
文摘随着能源行业的快速发展和技术革新,大量的专业术语和表达方式不断更新,新词不断涌现。然而,传统的新词发现方法通常依赖于词典或规则,且难以高效率地处理和更新大量的专业术语,特别是在快速变化的能源领域。因此,结合能源领域文本数据特性,提出了一种融合N-Gram和多重注意力机制的能源领域新词发现方法(new word discovery method in the energy field combining N-Gram and multiple attention mechanism, ENFM)。该方法首先利用N-Gram模型对能源领域的文本数据进行初步处理,通过统计和分析词频来生成新词候选列表。随后,引入融合多重注意力机制的ERNIE-BiLSTM-CRF模型,以进一步提升新词发现的准确性和效率。与传统的新词发现技术相比,在新词的准确识别和整体效率上均有显著提升,将其于能源领域政策文本数据集,准确率、召回率和F1分别为95.71%、95.56%、95.63%。实验结果表明,该方法能够准确地在能源领域的大量文本数据中识别新词,有效识别出能源领域特有的词汇和表达方式,显著提高了中文分词任务中对能源领域专业术语的识别能力。
