基于人工神经网络的膜改性工艺优化及膜性能预测研究
这是一篇关于人工神经网络,膜制备,膜改性,膜污染,性能预测的论文, 主要内容为膜分离技术因其处理效率高、结构简单、出水质量高等特点,一直被认为是一种有潜力的水处理技术。人工智能(AI)的快速发展,已被广泛应用于医疗保健、智能搜索、大数据、模式识别等许多领域。随着工业4.0时代技术的创新和发展,AI策略融入系统运行等问题越来越受到关注。然而,各种基于人工智能的技术在膜改性和膜污染预测中的应用还缺乏相关研究。本研究利用人工智能技术,特别是人工神经网络(ANN)和深度神经网络(DNN)对膜改性的最佳条件和膜表面污染的识别进行了研究。主要研究结果如下:(1)提出将响应面法(RSM)与人工神经网络(ANN)相结合的方法来优化聚偏氟乙烯镍改性(PVDF-Ni)膜的改性条件,并最优改性条件下的膜进行测试分析。基于实验数据的RSM模拟结果表明,PVDF-Ni膜的最佳改性条件为:反应温度30℃,反应时间14.50 min,氨水用量9 m L。结合RSM模型的实验数据为输入,RSM-ANN模型对最佳膜的通量和刚果红(CR)排除率进行了预测。结果表明,在未通电条件下,最佳膜的通量和截留率的模型预测值与实验室实际值相对误差较小,分别为-3.64%和-0.58%。扫描电镜(SEM)表征表明,最佳膜具有有序的微孔结构和良好的孔径。最优改性PVDF-Ni膜的通电循环实验表明,在5V电压下的CR循环过滤实验中,最优改性膜对CR的截留率维持在98%以上。以上结果表明了,基于人工智能的膜工艺优化方法的可行性,为优化膜改性开辟了新的途径。(2)利用贝叶斯(Bayesian)算法和遗传(GA)算法分别对反向传播(BP)神经网络进行结构和参数优化。生成的GABP神经网络被用于简化扩展的derjaguin-landau-verweeoverbeek(XDLVO)理论计算。首先,通过AI技术的网络可视化对已有文献进行分析,选择优化的算法。在结构优化采用贝叶斯算法遍历不同神经元下模型的性能,最后确定隐藏神经元为5的BP神经网络;然后利用GA算法进行参数优化。结果表明,经过优化后的GABP神经网络对所有数据的训练回归系数(R)均可达到0.99990以上,预测结果与模拟结果的误差小于0.01%。本工作为高效预测膜污染的热力学数值提供了一种新的策略。(3)采用四种深度和复杂度不同的深度神经网络(DNN),Squeeze Net,Alex Net,Google Le Net和Res Net-50分别对膜的种类和膜表面污染物进行识别。首先,利用迁移学习对采集的186张膜和污染物的扫描电子显微镜(SEM)图对四种深度网络进行训练;然后将训练完成的深度网络对选取的16张测试图片进行识别。结果表明,四种深度神经网络均可以有效识别膜类型和膜污染物,但是深度和宽度会对神经网络的预测结果有影响。其中,Res Net-50对16张测试膜都有比较好的预测准确率,对原膜的预测准确率接近100%,对污染膜的预测准确率也在99%以上,对膜表面污染物也有较高的识别率。总体而言,本实验将深度学习网络应用于膜污染领域,探讨了利用DNN应用于膜污染控制的可行性。
太阳能PVT热泵热电冷综合能源站云服务平台的开发与应用
这是一篇关于PVT能源站,物联网,云平台,性能预测的论文, 主要内容为面对日益严重的资源环境问题,太阳能拥有时间长久、清洁安全、数量巨大的特点,具有重要的战略地位。在太阳能利用技术中,太阳能光伏光热一体化(PVT)技术发展迅速,具有广泛的应用与发展前景。在近年的研究中,PVT技术与热泵机组相结合,同时实现了系统发电、供热和制冷的综合能源产出,可以称为一个太阳能PVT热泵热电冷综合能源站。在目前,由于大多数太阳能项目并不具备监测系统,这导致太阳能系统的运行缺少原始数据,不利于系统的优化和太阳能利用率的提升。物联网和Web技术的发展,极大地便捷了远程监测平台的建立。本文基于物联网和B/S软件架构,针对太阳能PVT热泵热电冷综合能源站,开发了一个可以对不同地点的PVT能源站进行综合管理的云服务平台,具备实时监测、能量计量、性能评价、报警推送等功能。本文主要包括以下的几部分内容:首先,本文结合目前太阳能监测平台所存在的问题和本平台的开发目的,明确了开发的需求与架构。其次,建立了太阳能PVT热泵热电冷综合能源站云服务平台的数据传输与存储系统。在物联网的基础上,本文选择了MQTT协议进行数据的传输。在数据的存储方面,本文选择了My SQL数据库,设计了用户信息、PVT能源站信息、运行数据、报警配置、报警记录等数据表。利用网关通过4G网络将PVT能源站的传感数据发送至MQTT代理服务器上,而后利用Java语言编写MQTT客户端程序,将代理服务器上的数据存入到已经设计完成的My SQL数据库中。第三,完成了太阳能PVT热泵热电冷综合能源站云服务平台的软件设计。本文的软件设计采用了前后端分离模式,设计实现了用户登录、地图导航、系统总览、实时数据展示、历史记录查询、节能减排效益展示、平台管理和报警推送设置等功能,并完成了平台在阿里云服务器上的部署,实现了远程访问。最后,本文以大连理工大学体能训练中心的PVT能源站为例,接入云平台进行监测。监测结果显示,该PVT能源站拥有显著的节能减排效益。最后,使用云平台所采集的运行数据,利用BP神经网络对该系统的产能情况做出预测。结果显示,对一段时间内系统的PVT发电量、PV发电量和制热量预测相对误差均小于10%。可见使用BP神经网络可以帮助用户较好地预测PVT能源站一段时间内的产能情况。
微服务程序性能预测及QoS保证方法研究
这是一篇关于微服务,性能预测,资源调整,服务质量的论文, 主要内容为数据中心不仅为用户提供了便捷的计算资源,而且为运营商提高了良好的成本效益。在数据中心高计算能力下,程序的执行效率即使产生微小的变化,也对运营成本造成巨大影响。如今,数据中心在线交互应用的设计发生了重大变化,从传统的单体应用架构转变为单一用途、松耦合的微服务架构。微服务程序具有快速部署和更新等优势,使得微服务架构在行业内得到了快速的推广和发展。但微服务程序也面临着许多问题,例如微服务之间紧密连接、不断变化的资源需求以及严格的性能要求等。这些问题使得保证微服务程序的服务质量Qo S(Quality of Service)具有挑战性。为了适应数据中心的程序内容变化趋势,本文对保证微服务程序的Qo S展开系统地研究。从微服务程序的运行时特征分析、基于神经网络的性能预测模型、动态适配微服务程序的所需资源三方面展开工作。首先利用微服务程序的运行时特征预测程序的运行时性能,其次根据预测结果分析微服务程序的运行情况并识别Qo S违规的原因,进而扩展相应微服务的资源,最终达到保证微服务程序的Qo S以及提高系统资源利用率的目的。本文的主要研究工作如下:第一,获取微服务程序的运行时特征,分析微服务程序的运行状态,并利用运行时特征建立基于神经网络的微服务性能预测模型。微服务分析器利用Perf、Docker stats等性能分析工具获取微服务程序的特征指标。通过大量实验发现,特征指标与微服务程序性能之间存在复杂的联系。因此,本文利用大量实验数据训练微服务性能预测模型。该模型以微服务分析器在线获取的运行时数据作为输入,输出为微服务程序的性能预测结果。实验表明:微服务性能预测模型通过建立微服务程序的运行时特征与性能之间的联系,能够准确地预测微服务程序的运行时性能。第二,提出一种基于微服务程序的Qo S感知框架。该框架基于微服务性能预测模型,保证了微服务程序的Qo S,同时提高了系统的资源利用率。微服务性能预测模型的输出值为微服务程序的运行时性能。根据预测模型的输出值,微服务程序的运行情况分为三种状态:abundant,proper以及urgent。微服务性能保证器根据运行情况进行相应的资源调整,并进一步识别Qo S违规的原因。通过微服务性能预测模型以及对系统的资源管理,本文设计了一套合理的微服务资源调整策略。实验表明:基于微服务性能预测模型的反馈,微服务Qo S感知框架动态地分配微服务程序的所需资源,可以有效地提高系统资源利用率。综上所述,本文以保证微服务程序的Qo S为研究目标,利用全面获取微服务程序的运行时特征、构建基于神经网络的微服务性能预测模型、设计基于微服务的性能保证方法等研究方法,保证了微服务程序的运行时性能,提高了系统资源利用率,实现了资源的合理调度。
教育科研网中网络测量矩阵平台的研究与实现
这是一篇关于网络性能指标,网络测量,被动测量,性能预测的论文, 主要内容为随着互联网的普遍应用,互联网的应用与业务越来越丰富,不同的业务对网络的需求目标也不一样,有些业务需要低延迟,有些业务需要高带宽,宽带网的性能是否足够是支撑各种业务是否能够顺利展开的前提条件。目前已有的网络性能测量工具很多,但是大多都具有局限性,有的需要在指定的环境下运行,无法进行跨平台测量,有的只能测量比较单一的网络性能,有的测量结果不够准确等等。因此需要一套网络性能测量矩阵平台,可以对全网的延迟、抖动、QoS、可用带宽等进行测量,依照平台的部署点,以矩阵形式呈现多节点、多维度的测量结果,以便网络运维人员和网络用户能够及时、方便的了解网络实时性能,为提高业务的服务质量提供依据。为此我们设计并开发了应用于上海教育网的一套网络测量矩阵平台系统,系统采取B/S架构,让用户可以通过浏览器对教育网各节点进行性能查询,并支持多种协议的端到端的延迟、抖动、时延、带宽、拥塞、可用性等多种网络性能指标的主动测量;同时通过定时获取路由器的状态信息,对整条链路的网络状况进行被动测量;并能根据网络历史性能数据,我们通过建立ARMA预测模型和ARIMA预测模型,对网络链路性能进行预测,通过实验验证,ARIMA预测模型可以较好的预测链路的带宽性能。通过我们的测量系统实际运行,我们发现上海师范大学与其他高校通信时需要经过较多重载路由而导致时延较高,而上海交通大学为每个网络设备分配固定IP并采用IP追踪和流量限制技术,在提高了网络访问效率和安全性的同时限制了每个IP的访问带宽,因而实际测量带宽较小,但这并不影响实际的网络性能。
教育科研网中网络测量矩阵平台的研究与实现
这是一篇关于网络性能指标,网络测量,被动测量,性能预测的论文, 主要内容为随着互联网的普遍应用,互联网的应用与业务越来越丰富,不同的业务对网络的需求目标也不一样,有些业务需要低延迟,有些业务需要高带宽,宽带网的性能是否足够是支撑各种业务是否能够顺利展开的前提条件。目前已有的网络性能测量工具很多,但是大多都具有局限性,有的需要在指定的环境下运行,无法进行跨平台测量,有的只能测量比较单一的网络性能,有的测量结果不够准确等等。因此需要一套网络性能测量矩阵平台,可以对全网的延迟、抖动、QoS、可用带宽等进行测量,依照平台的部署点,以矩阵形式呈现多节点、多维度的测量结果,以便网络运维人员和网络用户能够及时、方便的了解网络实时性能,为提高业务的服务质量提供依据。为此我们设计并开发了应用于上海教育网的一套网络测量矩阵平台系统,系统采取B/S架构,让用户可以通过浏览器对教育网各节点进行性能查询,并支持多种协议的端到端的延迟、抖动、时延、带宽、拥塞、可用性等多种网络性能指标的主动测量;同时通过定时获取路由器的状态信息,对整条链路的网络状况进行被动测量;并能根据网络历史性能数据,我们通过建立ARMA预测模型和ARIMA预测模型,对网络链路性能进行预测,通过实验验证,ARIMA预测模型可以较好的预测链路的带宽性能。通过我们的测量系统实际运行,我们发现上海师范大学与其他高校通信时需要经过较多重载路由而导致时延较高,而上海交通大学为每个网络设备分配固定IP并采用IP追踪和流量限制技术,在提高了网络访问效率和安全性的同时限制了每个IP的访问带宽,因而实际测量带宽较小,但这并不影响实际的网络性能。
微服务程序性能预测及QoS保证方法研究
这是一篇关于微服务,性能预测,资源调整,服务质量的论文, 主要内容为数据中心不仅为用户提供了便捷的计算资源,而且为运营商提高了良好的成本效益。在数据中心高计算能力下,程序的执行效率即使产生微小的变化,也对运营成本造成巨大影响。如今,数据中心在线交互应用的设计发生了重大变化,从传统的单体应用架构转变为单一用途、松耦合的微服务架构。微服务程序具有快速部署和更新等优势,使得微服务架构在行业内得到了快速的推广和发展。但微服务程序也面临着许多问题,例如微服务之间紧密连接、不断变化的资源需求以及严格的性能要求等。这些问题使得保证微服务程序的服务质量Qo S(Quality of Service)具有挑战性。为了适应数据中心的程序内容变化趋势,本文对保证微服务程序的Qo S展开系统地研究。从微服务程序的运行时特征分析、基于神经网络的性能预测模型、动态适配微服务程序的所需资源三方面展开工作。首先利用微服务程序的运行时特征预测程序的运行时性能,其次根据预测结果分析微服务程序的运行情况并识别Qo S违规的原因,进而扩展相应微服务的资源,最终达到保证微服务程序的Qo S以及提高系统资源利用率的目的。本文的主要研究工作如下:第一,获取微服务程序的运行时特征,分析微服务程序的运行状态,并利用运行时特征建立基于神经网络的微服务性能预测模型。微服务分析器利用Perf、Docker stats等性能分析工具获取微服务程序的特征指标。通过大量实验发现,特征指标与微服务程序性能之间存在复杂的联系。因此,本文利用大量实验数据训练微服务性能预测模型。该模型以微服务分析器在线获取的运行时数据作为输入,输出为微服务程序的性能预测结果。实验表明:微服务性能预测模型通过建立微服务程序的运行时特征与性能之间的联系,能够准确地预测微服务程序的运行时性能。第二,提出一种基于微服务程序的Qo S感知框架。该框架基于微服务性能预测模型,保证了微服务程序的Qo S,同时提高了系统的资源利用率。微服务性能预测模型的输出值为微服务程序的运行时性能。根据预测模型的输出值,微服务程序的运行情况分为三种状态:abundant,proper以及urgent。微服务性能保证器根据运行情况进行相应的资源调整,并进一步识别Qo S违规的原因。通过微服务性能预测模型以及对系统的资源管理,本文设计了一套合理的微服务资源调整策略。实验表明:基于微服务性能预测模型的反馈,微服务Qo S感知框架动态地分配微服务程序的所需资源,可以有效地提高系统资源利用率。综上所述,本文以保证微服务程序的Qo S为研究目标,利用全面获取微服务程序的运行时特征、构建基于神经网络的微服务性能预测模型、设计基于微服务的性能保证方法等研究方法,保证了微服务程序的运行时性能,提高了系统资源利用率,实现了资源的合理调度。
面向砼性能预测的数据分析方法研究
这是一篇关于混凝土智能制造,性能预测,数据分析,平台设计,任务调度的论文, 主要内容为随着社会的日益进步和混凝土(砼)智能制造的快速发展,企业对混凝土质量的把控和成本的压缩要求越来越高。混凝土的成分配合比直接影响其质量和成本,而配合比设计需要考虑混凝土的性能指标,因此,通过对混凝土的性能预测来指导配合比设计有着至关重要的作用。目前,国内外大部分从业人员都使用一些经验公式来进行性能预测,但经验公式只是基于有限的试验数据得出的,其预测结果准确性不高,而且每种公式的适用范围有限,对从业人员的工程经验要求极高,需要结合实际情况分析并谨慎使用。本文基于混凝土从设计、生产到检测、分析的整个过程,使用数据分析的方法来对混凝土的性能进行预测,并详细介绍了该方法的架构和实际应用。同时,还设计和实现了一种智能制造数据分析平台,专门用于混凝土性能预测。论文完成的主要工作有:(1)针对混凝土制造企业的需求,提出了一种面向混凝土性能预测的数据分析方法。本文方法充分利用数据采集系统和关联的检测设备,以数据的流向为导向,对混凝土智能制造数据进行了采集和统一存储,将多个数字化系统和检测设备融合成一个整体;同时,使用神经网络构建了预测模型,基于所采集的数据实现了对混凝土28天强度和塌落度的精准预测。(2)设计了混凝土智能制造数据分析平台。平台主要划分为数据层、数据采集层、计算层、数据挖掘层和应用层五个层次;结合混凝土从业人员的视角,对平台进行了深入的功能分析与详细设计,主要功能包括数据源管理、数据质量分析、任务调度等。(3)实现了面向混凝土性能预测的智能制造数据分析平台。基于Hadoop分布式集群技术进行了平台搭建和组件配置,实现了任务的调度和分析。本平台能帮助用户更好地利用混凝土智能制造数据进行性能预测和生产分析,为混凝土从业人员提供更好的决策依据。本文所开发的混凝土智能制造数据分析平台,实现了多源数据的统一存储和综合分析。平台不仅能帮助混凝土制造企业提高混凝土制造质量,降低生产成本,还能为混凝土的性能预测提供决策参考,对混凝土智能制造的其他环节提供优化建议,对提高混凝土生产智能化有着重要的意义。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://bishedaima.com/lunwen/54448.html
