XiaoMi-AI文件搜索系统
World File Search System参数优化
螺栓连接力学模型及参数优化...
ISSN 1330-3651 (印刷版), ISSN 1848-6339 (在线版) https://doi.org/10.17559/TV-20201129072212 原创科学论文 巷道非直壁段锚喷支护力学模型及参数优化 程云海，李峰辉*，李刚伟 摘要：巷道锚喷支护一般采用梁模型计算，但巷道弯曲侧锚喷支护力学状态与直侧有明显不同。为了合理确定巷道弯曲侧锚喷支护参数，对喷层受力进行分析。将锚喷支护结构简化为固结梁与圆柱耦合的力学模型。为探明圆形巷道（或圆弧段）锚喷支护的力学机理，合理确定锚喷支护参数，对喷混凝土层进行应力分析。将锚喷支护结构简化为固结梁与圆柱体耦合的力学模型，结合摩尔-库仑强度理论，建立了喷混凝土层厚度、喷混凝土强度、锚杆间距、锚杆长度对围岩自承能力影响的力学模型，确定了锚喷支护参数与围岩自承能力的影响规律。研究结果表明：喷混凝土强度与围岩自承能力呈线性关系，喷混凝土厚度与围岩自承能力呈二次函数关系，锚杆间距、锚杆长度与围岩自承能力呈三次函数关系。研究成果对巷道曲线边坡锚喷支护参数的确定具有一定的指导意义。关键词：锚喷支护；筒体；力学模型1引言锚喷支护技术广泛应用于矿山、隧道、地铁等地下工程[1-6]。锚喷支护能最大程度地保持围岩的完整性和稳定性，充分发挥围岩的支护作用，对控制围岩的变形、位移、裂隙发展等起着重要作用[7-10]。国内外已有不少学者对锚喷支护技术进行了研究。李等[11-12]。[11]确定了喷层破坏时中性层的位置，探究了不同支护方式下锚喷支护参数与围岩自承能力的关系，建立了巷道围岩自承能力与锚杆间距、喷层厚度、喷层强度之间的力学模型。温等[12]建立了由系统锚杆支撑的外拱、喷层支撑内拱和钢框架组成的组合拱力学模型。王等[4]在对巷道围岩和喷层应力分析的基础上，建立了喷层厚度、喷层强度、锚杆间距对围岩自承能力影响的力学模型。方等[5]研究了喷层厚度、喷层强度、锚杆间距对围岩自承能力的影响。 [13] 设计了高预应力强锚喷支护方案，并利用振弦喷浆应力仪对方案实施后喷浆层的应力状态进行监测。吕建军等 [14] 提出了厚软岩巷道全断面锚固的二维半模型，建立了围岩及锚固系统的理论模型，得到了应力释放、锚杆与围岩耦合的分布规律。荆建军等 [15] 研究了预应力锚杆的力学性能
CMOS模拟信号的性能参数优化
设计理想的模拟电路由于非常大的集成而变得困难。互补的金属氧化物半导体（CMOS）模拟整合电路（IC）可以使用进化方法来找出每个设备的尺寸。使用高级纳米晶体管晶体管技术（180 nm）设计了CMOS操作性转导放大器（CMOS OTA）和CMOS电流传送带第二代（CMOS CCII）。CMOS OTA和CMOS CCII都具有较高的性能，例如广泛的频率，电压增益，发动速率和相位边缘，以在信号处理中包括非常广泛的应用，例如活动过滤器和振荡器。优化方法是一种迭代过程，它使用优化算法来更改设计变量，直到确定最佳解决方案为止。在这项研究中，采用了不同种类的算法遗传算法（GA），粒子群优化（PSO）和杜鹃搜索（CS）来增强和增强性能参数。减少开发常规操作放大器的安装时间所需的时间。一些研究降低了在各种频率下使用的功率的值。其他人以极高的频率运行，但其功耗大于以较低频率运行的功耗。
气粉流动工艺参数优化……
记录版本：该预印本的版本于 2024 年 1 月 10 日在《国际先进制造技术杂志》上发表。已发布的版本请参阅 https://doi.org/10.1007/s00170-024-12964-7 。
无参数优化算法的迭代波前塑形
通过散射培养基的光聚焦对生物组织中的光学应用有重大影响。最近，迭代的波前塑形已成功地用于通过或内部散射介质进行光聚焦，并引入了各种启发式算法以提高性能。虽然令人鼓舞，但可能需要大量的努力来调整参数朝着强大和最佳优化。此外，对于不同的散射样品和实验条件，最佳参数可能会有所不同。在这封信中，我们通过将传统的遗传算法（GA）与BAT算法（BA）相结合，提出了一种“智能”无参数算法（PFA），并且可以通过实时反馈自动计算突变率。在迭代WFS中使用此方法，可以在没有参数调整过程的情况下实现可靠和最佳性能。
基于NSGA-III算法的罐底液压成形工艺参数优化
2. 上海航天设备制造有限公司，上海 200245) 摘要：液压胀形工艺可以实现大型储罐底部的整体成形，但其质量受诸多工艺参数的影响。针对整体储罐底部液压胀形过程中出现的起皱、开裂缺陷，建立了以预胀压力、液压压力、压边力、压边圆角半径等工艺参数为优化目标的多目标优化模型。基于有限元仿真，利用Kriging技术建立工艺参数与质量标准之间的代理模型。采用NSGA-III算法，在储罐底部达到壁厚变化量最小、断裂趋势最小、翻边皱褶最小、皱褶趋势最小等目标的条件下，确定最优工艺参数。与粒子群优化（PSO）算法相比，NSGA-III算法更适合求解该优化问题。通过仿真实验验证了该方法的有效性和结果的准确性。关键词：储罐·液压成形·克里金法·NSGA-III
在线学习课程学习的在线超参数优化
参考[1] Hou，Saihui等。“通过重新平衡来逐步学习统一的分类器。”CVPR2019。[3] Liu，Yaoyao，Bernt Schiele和Qianru Sun。“用于课堂学习学习的自适应聚合网络。”CVPR 2021。[4]刘，Yaoyao，Bernt Schiele和Qianru Sun。“ RMM：用于课堂学习学习的增强记忆管理。”神经2021。[5] Rebuffi，Sylvestre-Alvise等。“ icarl：增量分类器和表示学习。”CVPR2017。[6] Li，Zhizhong和Derek Hoiem。“学习而不会忘记。”TPAMI2017。
基于仿真的基于电线弧添加剂制造的过程参数优化
摘要在制造组件中使用电弧添加剂制造，需要特定的冷却时间来防止结构和几何畸变过热。目前，这些冷却时间是根据某些层间温度下的经验插入的，从而降低了可重复性，导致不需要的组件特性并增加了过程时间。在此贡献中，使用无效元素方法来计算添加性制造组件的温度演化。这允许优化过程参数，这些过程参数（在我们在此处的考虑中）是焊接速度和每一层的冷却时间，以减少总过程时间，同时实现了足够的组件属性。优化是使用无梯度的Nelder-Mead-Mead-Mead算法进行的，其中通过惩罚函数考虑了过程参数的某些约束。为了获得合理的仿真结果，预先使用实验数据对实验设置的温度依赖性传热进行了建模和校准。很明显，与无梯度优化过程结合使用的热元素模拟是对线弧添加剂制造进行优化的过程参数的合适数值工具。优化的过程参数满足了有关制造成分冷却的某些要求。此外，与手动选择的参数相比，优化参数可以显着减少过程时间。在我们的示例中，这约为48％。
用于神经形态部署的二进制通信网络中的超参数优化
摘要 — 训练神经网络以用于神经形态部署并非易事。已经提出了多种方法来调整适合训练的反向传播或类似反向传播的算法。考虑到这些网络通常具有与传统神经网络非常不同的性能特征，因此通常不清楚如何设置网络拓扑或超参数以实现最佳性能。在这项工作中，我们引入了一种贝叶斯方法来优化用于训练可部署到神经形态硬件的二进制通信网络的算法的超参数。我们表明，通过针对每个数据集优化此算法的超参数，我们可以在每个数据集上实现此算法比以前最先进的准确度的提高（高达 15%）。这种性能飞跃继续强调将传统神经网络转换为适用于神经形态硬件的二进制通信时的潜力。索引术语 — 超参数优化、神经网络、贝叶斯优化、神经形态
放松和惩罚：一种新型的双重二元超参数优化方法
近年来，双重方法已经非常受欢迎，可以在机器学习模型的有效估计高维超参数上。迄今为止，二进制pa-Rameters是通过连续放松和四舍五入策略来处理的，这可能导致解决方案不一致。在这种情况下，我们通过基于适当的罚款术语求助于等效的连续二线重新构造，以应对混合二元超参数的挑战优化。我们提出了一个算法框架，在合适的假设下，可以保证提供混合二进制解决方案。此外，该方法的一般性允许在提议的框架内安全地使用现有的连续折叠求解器。我们评估了两个特定的机器学习问题的方法的性能，即，回归问题中的群 - 符号结构的估计和数据蒸馏问题。报告的结果表明，我们的方法具有基于放松和舍入的最新方法竞争。