课程文献中心 更多>>

关键词： 数据中心   信息负荷   虚拟机   迁移  

摘要： 随着信息技术的迅速发展，数据中心作为高能耗产业越来越受到人们的关注，跨区域的数据中心之间通过虚拟机迁移来实现信息负荷调度已经成为降低数据中心能耗和碳排放的重要方法。文章研究电力负荷受限下的信息负荷调度问题，提出了一种基于虚拟机迁移的信息负荷调度方法，该方法首先设计了一种多条件均衡的待迁移虚拟机集合选择算法，然后基于随机轮盘的多因素均衡蚁群优化实现了虚拟机放置。相关的仿真实验表明，文章提出的基于虚拟机迁移的信息负荷调度方法是可行的，并且具有良好的效果。

关键词： 应变场重构   损伤识别   卡尔曼滤波   模态扩展   光纤光栅应变传感器  

摘要： 飞行器在服役期间受到高速、振动、冲击和大温差等环境因素的影响，可能导致蒙皮天线结构损伤。如何利用有限的应变传感器实时获取服役中结构的全场应变，并通过全场应变快速评估结构的健康状态，是保障飞行器蒙皮天线可靠服役的关键技术。本文提出了一种结合卡尔曼滤波和复模态扩展技术的应变场重构与蒙皮结构损伤识别方法。该方法首先利用少量光纤光栅应变传感器的实测应变数据重构全场应变，然后采用归一化应变梯度损伤判定准则识别易损区域的位置。仿真和实验结果表明，所提出的方法能够利用有限的应变测量信息实时重构全场应变，与传统模态法相比，应变场重构精度提高了50%以上。该损伤识别方法不仅能够准确识别易损位置，还具有计算速度快、抗噪声能力强和降低实际成本的特点，显示出良好的工程应用前景。

关键词： 经典名方   石榴四味散   蒙药   关键信息考证  

摘要： 石榴四味散作为治疗巴达干病的常用方剂，被《古代经典名方目录（第二批）——蒙医药》收录。本文通过全面梳理并分析其历史源流、药物基原、炮制方法、剂量、临床应用及功效主治等关键信息，以期为蒙医经典名方石榴四味散的现代临床应用及开发利用提供理论依据。研究表明，该方属8世纪《四部医典》石榴四味散的加减方；其药物基原与炮制方法明确，具有祛巴达干功效，主治寒性消化不良等证。目前该方尚缺乏现代药效学与物质基础研究支持，今后需深入开展相关作用机制、质量标准及临床评价研究，以促进其现代应用与传承发展。

关键词： 工程图   自动布局   语义驱动   图卷积网络  

摘要： 工程图布局质量直接影响机械设计的制造效率与质量控制，但现有自动布局方法在应对图幅变化大、视图复杂及比例差异显著等场景时适应性不足。为此，本文提出面向语义驱动的工程图自动布局方法。该方法在布局推理前引入多模态语义提取机制，融合图像、文本与位置信息，准确识别图幅、比例尺、视图类型等关键语义模块；随后构建图元关系图，并引入语义引导注意力图卷积网络（SGA-GCN），建模图元间的语义依赖与布局关系，实现对工程图结构化布局的自动推理与生成。以某厢式冷藏车壁板为案例的实验验证表明，本文方法在语义提取准确率、布局预测精度以及多图纸干扰下的鲁棒性方面均显著优于现有主流方法，具有良好的通用性与工程实用价值，为工程图自动布局提供了可行方案。

关键词： 高管海外经历   气候风险信息披露   注意力内容配置   注意力时间配置  

摘要： 运用文本分析技术构建企业层面气候风险信息披露指标，实证检验高管海外经历对企业气候风险信息披露的影响效应及其机理。研究表明，海外经历通过影响高管注意力内容配置与注意力时间配置，双管齐下地促进企业气候风险信息披露，且该效应同时存在于气候物理风险信息披露与转型风险信息披露。异质性检验发现，高管欧美发达国家经历、海外求学经历对企业气候风险信息披露的提升作用更为显著；且高管海外经历对气候敏感度高、低气候关注地区企业气候风险信息披露的促进作用更为明显。此外，经济后果研究结果显示，高管海外经历在促进企业气候风险信息披露的同时，提高了企业ESG表现并降低了ESG评级分歧。

关键词： 数字公域   图书馆   边界组织   智能社会   信息治理  

摘要： 生成式人工智能的发展对数字公域的信息公平带来了“双刃剑”效应，使得数字公域面临信息生产、获取和使用的边界受限之困境。针对这一结构性挑战，本文引入边界组织理论，将图书馆作为数字公域治理的制度化中介，构建涵盖物理域、信息域、认知域的三维角色框架。研究认为，图书馆作为制度化公共机构，可在数字公域治理中发挥第三方边界组织的协调作用。在物理域可作为价值分配中介，基于数据资源应用评估3U框架调节价值分配；在信息域作为信任桥接中介，通过数据受托治理保障可信信息获取；在认知域作为知识共创中介，采用SECI模型驱动用户知识共创，发挥其保障信息权益和促进知识共创的作用，维护信息生产和流通机制的公平性。研究旨在为图书馆深度参与智能社会的数字公域提供一种新的分析框架与实践路径。

关键词： 车速预测   变分模态分解   深度学习   V2X通信  

摘要： 精确的车速预测对混动汽车能量管理优化、提高能量利用效率具有重要作用。为优化现有车速预测方法普遍存在的预测精度不足、复杂工况下表现不佳的问题，提出了一种融合变分模态分解（VMD）与混合深度学习模型（Informer-BiLSTM-ATT）的车速预测方法。首先，利用皮尔逊相关系数筛选特征变量，并通过VMD技术对目标变量进行变分模态分解；其次，建立基于混合深度学习的车速预测模型；最后，在三种不同城市工况下对车速预测准确性进行评估。结果表明，与CNN-LSTM、GRU-Transformer、CNN-Transformer等深度学习模型相比，使用Informer-BiLSTM-ATT模型的车速预测平均均方根误差（RMSE）为3.74，RMSE值分别降低了34.84%、26.52%和34.61%。该方法具有更高的车速预测精度和泛化能力。

关键词： 车前   种植面积   无人机遥感   机器学习  

摘要： 构建基于无人机遥感技术的高精度车前种植面积识别方法,实现车前种植区域精准提取,为中药材种植信息动态监测及草本类中药材种植面积监测提供技术支撑。以江西省泰和县塘洲镇车前主产区为研究区,基于无人机遥感数据与实地调研分类样本数据,采用支持向量机((SVM)、随机森林(RF)、最大似然法(ML)、最小距离法MD)及马氏距离法(ME)5种监督分类算法,对车前种植区域进行分类提取;通过构建混淆矩阵,系统评价各算法的总体精度、Kappa系数、制图精度与用户精度。结果表明,5种分类算法分类准确度排序为支持向量机法>最大似然法>随机森林法>马氏距离法>最小距离法;其中支持向量机法表现最优,总体分类精度达95.57%,Kappa系数为0.938 3,具备较高分类准确度。基于无人机遥感的支持向量机分类法在车前种植区域识别中具有明显优越性,可满足生产与实际需求,在中药材种植信息动态监测中具备应用潜力,为车前及其他草本类中药材种植面积监测提供了科学技术路径与方法支持。

关键词： Non-uniform temperature field   Rock fracture parameter   Physics-informed neural networks   Multi-task learning   Phase field method  

摘要： In non-uniform thermal environments, rock fracture behavior is significantly influenced by temperature gradients, localized thermal stresses, and mineral phase transitions, making accurate fracture parameter measurements challenging with conventional experimental methods. To address this, this paper proposes a multi-task (MT) learning approach based on physics-informed neural networks (PINNs termed MT-PINN, for identifying mixed-mode stress intensity factors (SIFs) in cracked rock specimens under non-uniform temperature fields. First, a heat conduction equation accounting for heat flow disturbances and a thermomechanically coupled phase-field equation incorporating thermal expansion effects are established, which are then embedded into the loss function of a deep neural network framework, constructing the MT-PINN model to predict crack-tip fields and fracture parameters. Second, finite element simulations based on the phase-field method are performed to compute the mechanical response and damage evolution of notched semicircular bending (NSCB) rock specimens under varying non-uniform temperature fields, and the MT-PINN model is trained using datasets generated from these simulations. Finally, three-point bending tests on Fangshan granite NSCB specimens are conducted to measure crack-tip displacement fields and mixed-mode SIFs via digital image correlation, and the practical performance of the PINN model is evaluated. Experimental results are well compared with MT-PINN predictions, demonstrating the model's effectiveness in identifying rock fracture parameters under non-uniform thermal conditions.

关键词： Topology optimization   Level set method   PINN   Machine learning  

摘要： The physical informed neural network (PINN) has attracted significant interest in the field of topology optimization in recent years. By incorporating physical information into the loss function, the process of the neural network's loss decreasing is equivalent to the process of approximating the solution of the physical equation. In particular, the loss function can be combined with the objective function in topology optimization. This paper proposes a nested PINN framework based on the level set method (LSM called LSM-PINN. The key of this framework lies in the algorithm transformation from LSM to PINN. Conventional topology optimization method is based on boundary evolution and may lead to a too scattered structure. In order to reduce this problem in PINN, some restrictions are proposed. During the optimization process, the design domain is discretized into several sample points to participate in the network training. Moreover, the feasibility and potential of the LSM-PINN framework are evaluated through some cases, highlighting the advantages and limitations of the LSM-PINN framework. The results show that the LSM-PINN framework proposed can solve two-dimensional topology optimization problems relatively stably and significantly reduce the dependence on the initial design.