-
公开(公告)号：CN108334734B
公开(公告)日：2020-09-25
申请号：CN201710785288.1
申请日：2017-09-04
Applicant: 北京科技大学
IPC: G16C20/10
Abstract: 本发明提供一种高分子共聚物降解建模与仿真方法，能够实现微观下的分子链的剪切断裂到宏观下的扩散建模实现降解过程的仿真。所述方法包括：将高分子共聚物离散成元胞；基于离散得到的元胞，随机选择参与剪切的分子链；基于共聚物的成分建立高分子共聚物分子链剪切断裂模型，所述模型用于根据预先设置的分子链中酯键单元间的断裂概率，通过轮盘赌以概率的方式确定所述参与剪切的分子链的断裂位置；所述参与剪切的分子链在确定的所述断裂位置进行断裂；所述参与剪切的分子链在确定的所述断裂位置断裂后，低聚体向外进行扩散。本发明涉及可降解高分子材料技术领域。
-
公开(公告)号：CN107908921B
公开(公告)日：2020-09-11
申请号：CN201711089422.0
申请日：2017-11-08
Applicant: 北京科技大学
Abstract: 本发明提供一种模拟不同质相高聚物降解强度变化的方法，能够模拟得到高聚物材料在降解过程中弹性强度的变化趋势。所述方法包括：S1，将高聚物材料离散成元胞，并初始化当前反应时间t1；S2，确定参与剪切的分子链和距离确定的所述参与剪切的分子链进行链剪切反应的时间间隔Δt；S3，在t1+Δt时刻，所述参与剪切的分子链发生链剪切反应，更新元胞的状态，并根据更新后的元胞的状态，针对不同的元胞状态采用不同的强度计算式，并统计所有元胞的强度得到所述高聚物材料整体的强度；S4，执行t1＝t1+Δt，若t1小于预设的扩散时间步长，则返回执行S2，否则，链剪切反应产生的低聚物向高聚物材料外进行扩散。本发明涉及可降解高分子材料领域。
-
公开(公告)号：CN111028253A
公开(公告)日：2020-04-17
申请号：CN201911164824.1
申请日：2019-11-25
Applicant: 北京科技大学
Abstract: 本发明提供一种铁精粉分割方法及分割装置，能够将铁精粉从铁精粉图像中完整准确地提取出来。所述方法包括：获取传送过程中的铁精粉图像及对应的标注图作为训练样本集；建立基于注意力机制模块的分割网络SegNet，其中，注意力机制包括：空间注意力和通道注意力；利用获取的训练样本集训练分割网络SegNet；利用训练好的分割网络SegNet对待分割的铁精粉图像进行分割，输出铁精粉图像每个像素点的类别。本发明涉及矿石筛选技术领域。
-
公开(公告)号：CN116740462A
公开(公告)日：2023-09-12
申请号：CN202310814642.4
申请日：2023-07-05
Applicant: 北京科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/60
Abstract: 本发明公开了一种基于特征增强的单分支粗糙度检测方法，包括构建并训练基于特征增强的单分支粗糙度检测模型：获取样品表面粗糙度的训练图像集；基于训练图像集选取不同光源的图像，使用双分支结构提取不同光源的特征信息进行预训练参数学习，并通过交叉混合注意力模块、图卷积通道注意力模块对不同光源的特征信息进行交互和融合；预训练后，选取双分支结构中的单分支网络结构作为单分支粗糙度检测模型，选定多个评价指标对训练后的单分支粗糙度检测模型进行评价，将待检测图像输入到训练好的单分支粗糙度检测模型中得到检测结果。本发明能够在不同光源不同加工参数下对多种金属表面进行准确高效快速的粗糙度检测。
-
公开(公告)号：CN114724646B
公开(公告)日：2023-06-02
申请号：CN202210483589.X
申请日：2022-05-05
Applicant: 北京科技大学
IPC: G16C20/30 , G16C20/70 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于质谱图和图结构的分子属性预测方法，包括：S1，获取待预测分子的质谱图数据和图结构数据；S2，利用数据增强方法增强数据真实性以及扩充数据量；S3，利用图神经网络和transformer结构提取两种模态的分子属性特征；S4，利用特征融合模块实现多模态特征的信息融合，并根据融合后的特征对分子属性进行预测，得到预测属性的数值。本发明利用神经网络直接学习分子的质谱图信息，并将得到的特征和图结构特征进行融合，端到端地进行分子属性预测，两种模态数据信息互相补充，提升了分子属性预测的准确率，同时大大简化了前期的数据特征工程。
-
Patent Agency Ranking
公开(公告)号：CN111126455A
公开(公告)日：2020-05-08
申请号：CN201911235914.5
申请日：2019-12-05
Applicant: 北京科技大学
Abstract: 本发明提供一种基于Lightweight CNN与SVM的磨粒两阶段识别方法，能够在提高磨粒识别效率的同时，提高磨粒识别的准确率。所述方法包括：构建用于磨粒识别的层级模型，其中，层级模型的第一级模型为轻量化卷积神经网络，第二级模型为支持向量机模型；将磨粒图库中标签为疲劳磨粒与滑动磨粒的磨粒类型统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型用于实现磨粒四分类；其中，标签包括：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒和滑动磨粒；针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型，训练好的第二级模型用于实现FoS磨粒的再分类。本发明涉及磨粒智能识别领域。
-
公开(公告)号：CN110334414A
公开(公告)日：2019-10-15
申请号：CN201910525798.4
申请日：2019-06-18
Applicant: 北京科技大学
Abstract: 本发明的实施例公开一种基于强度相图的聚合物降解强度的计算方法和装置，所述方法包括:步骤1，读取待计算的聚合物的强度相图；步骤2，从所述强度相图的坐标原点开始遍历，判断每个像素点上的元胞的强度状态；步骤3，根据近邻-边界扩展算法，对所述相图中的相同强度状态的像素点所组成的区域进行孔洞、裂痕识别，获取不同强度状态的区域内孔洞、裂痕的区域面积和密集程度；步骤4，根据所述不同强度状态的区域内孔洞、裂痕的区域面积和密集程度，以及预先建好的强度计算模型，计算不同强度状态的所述元胞的强度；步骤5，根据所述不同强度状态的所述元胞的强度，计算所述聚合物的总强度。
-
公开(公告)号：CN111126455B
公开(公告)日：2023-07-14
申请号：CN201911235914.5
申请日：2019-12-05
Applicant: 北京科技大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于Lightweight CNN与SVM的磨粒两阶段识别方法，能够在提高磨粒识别效率的同时，提高磨粒识别的准确率。所述方法包括：构建用于磨粒识别的层级模型，其中，层级模型的第一级模型为轻量化卷积神经网络，第二级模型为支持向量机模型；将磨粒图库中标签为疲劳磨粒与滑动磨粒的磨粒类型统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型用于实现磨粒四分类；其中，标签包括：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒和滑动磨粒；针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型，训练好的第二级模型用于实现FoS磨粒的再分类。本发明涉及磨粒智能识别领域。
-
公开(公告)号：CN114863426A
公开(公告)日：2022-08-05
申请号：CN202210483555.0
申请日：2022-05-05
Applicant: 北京科技大学
Abstract: 本发明公开了一种目标特征注意力与金字塔相耦合的微小目标检测方法，包括以下步骤：S101，特征提取层的近末端加入空间金字塔池化，提高对局部小目标特征的感知能力，且同时兼顾全局特征；S102，特征融合层嵌入关键小目标特征通道注意力和空间注意力做金字塔式融合，达到有效聚焦小目标特征，去除冗余，减少参数，降低计算量的目的；S103，引入无锚解耦检测头，对提取的小目标特征进行目标检测，输出所检测目标的位置和类别，提高对杂乱背景中的小目标或大背景中的小目标的检测精度和效率。本发明能够对杂乱背景中的小目标或大背景中的小目标，如有划痕铜块表面的氧化斑点，进行准确高效快速的检测。
-
公开(公告)号：CN114818948A
公开(公告)日：2022-07-29
申请号：CN202210483568.8
申请日：2022-05-05
Applicant: 北京科技大学
Abstract: 本发明公开了一种图神经网络的数据‑机理驱动的材料属性预测方法，包括：S1，获取待预测材料分子的描述符特征和图结构；S2，利用特征工程筛选出最终的特征描述符；S3，利用图卷积和图注意力网络提取不同层次的分子图特征；S4，利用特征融合层将分子图特征与描述符特征相融合；S5，利用修正模块来将计算值和实验值进行更好的融合；其中，所述的计算值为第一性原理模拟计算得出的数值，实验值为实验测得的实际的材料属性；S6，将机理驱动模型的计算值与深度学习数据驱动模型融合用于模型推理，并输出预测属性的数值。本发明融合了分子的描述符特征和图结构特征，克服了图结构数据信息不完全和描述符特征忽略分子属性的问题。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.025 seconds)
