公开(公告)号：CN118423094A

公开(公告)日：2024-08-02

申请号：CN202410614651.3

申请日：2024-05-17

Applicant: 南京工业大学

Inventor： 周正龙 ,  华凌霄 ,  王欢 ,  王国伟 ,  齐玉军 ,  李奔奔

IPC: E21D11/08

Abstract: 本发明公开了一种管片加固预制构件、结构形式和制造方法。预制构件包括多个复材管、多段复材管外钢腔体和高强混凝土，复材管外钢腔体由五个相互独立的方钢腔体并排焊接组成；在复材管内部填充设置核心混凝土，多段钢腔体内部和复材管外部的夹层空间填充设置夹层混凝土。本发明通过复材管约束内部核心混凝土，使得复材管的强度得到提高，进而提高了加固构件整体的承载力；在复材管外设置多段钢腔体，在接头处提高了强度和承载力的同时，减少了混凝土和钢材的用量，降低了生产成本，为施工安装带来了便利。

公开(公告)号：CN115965213A

公开(公告)日：2023-04-14

申请号：CN202310001606.6

申请日：2023-01-03

Applicant: 南京工业大学

Inventor： 李丽娟 ,  杨雪 ,  王欢 ,  许晓伟 ,  张印强

IPC: G06Q10/0631 ,  G06Q10/04 ,  G06Q50/04 ,  G06N3/048 ,  G06N3/092

Abstract: 本发明提供一种基于深度强化学习混合动作空间的氧气系统调度优化方法，包括如下步骤：氧气系统调度优化；基于drl的方法；结果和分析。本发明以深度强化学习为基础，提出了用于解决氧气系统调度问题的HAC算法，所提出的算法扩展了AC算法的actor网络，根据市场分时电价设计额外分段奖励函数。HAC算法解决了离散变量和连续变量的混合问题，在提高经济效益的同时实现节能减排。实验结果表明，HAC算法将调度问题置于混合的动作空间中，避免导致次优的动作选择的问题。与传统算法相比，HAC算法显著提高了算法的收敛性和准确性，使氧气系统具有更高的氧气利用率和经济效益。

公开(公告)号：CN116513273A

公开(公告)日：2023-08-01

申请号：CN202310001599.X

申请日：2023-01-03

Applicant: 南京工业大学

Inventor： 李丽娟 ,  杨雪 ,  王欢 ,  张印强 ,  杨世品

IPC: B61L27/10 ,  B61L27/04 ,  B61L27/60 ,  G06Q10/0631 ,  G06Q50/30 ,  G06N3/047 ,  G06N7/01

Abstract: 本发明提供一种基于深度强化学习的列车运行调度优化方法，包括如下步骤：建立系统模型；马尔可夫决策过程的深度强化；结果和分析。本发明针对突发事件的不确定性会对列车造成时间延误影响，造成严重的社会影响和巨大的经济效益损失，根据列车运行特性，建立了列车动力学模型和列车运行调度系统马尔可夫模型。考虑列车总晚点时间和能源消耗最小，提出了一种基于深度确定性策略梯度算法的列车运行调度策略。通过在训练动作中加入噪声，提高了方法在不确定环境下的泛化能力和鲁棒性。本发明提出的调度策略有效地减小了列车运行总晚点时间，降低了能源消耗。

公开(公告)号：CN118959039A

公开(公告)日：2024-11-15

申请号：CN202410693637.7

申请日：2024-05-31

Applicant: 南京工业大学

Inventor： 齐玉军 ,  王欢 ,  王国伟 ,  华凌霄 ,  周正龙 ,  李奔奔

IPC: E21D11/20

Abstract: 本发明公开了一种用于隧道加固的通长钢腔体预制支护组件、具有其腔体支护结构及其制造方法，涉及隧道技术领域，通长钢腔体预制支护组件包括钢管腔体，多个复材缠绕管，多个化学锚栓，其中钢管腔体是由多个弧形钢腔体并列焊接而成；腔体支护结构是在通长钢腔体预制支护组件组装在隧道后往复材缠绕管内填充核心混凝土，在钢管腔体与复材缠绕管之间填充夹层混凝土。本发明将复材管埋设于夹层混凝土中，复材管通过约束内部填充的核心混凝土，使得管片的内部强度在多个方向上都得到了提高，进而提高了管片预制组件的承载力，在设计管片预制组件时，在满足承载力等力学性能要求的前提下，可相应减小管片的厚度，达到减少材料用量，提高材料利用率，降低预制组件重量和生产成本。

公开(公告)号：CN116108344A

公开(公告)日：2023-05-12

申请号：CN202310005827.0

申请日：2023-01-04

Applicant: 南京工业大学

Inventor： 李丽娟 ,  谢张诚 ,  王欢 ,  杨世品 ,  焦文华

IPC: G06F18/213 ,  G06F18/2411 ,  G06N20/10

Abstract: 本发明提出了一种基于滚动特征时域的DRN‑SVM预测控制性能退化根源诊断方法，属于机器学习及目标分类领域，包括如下步骤：步骤1：通过Wood‑Berry精馏塔仿真模型获得预测控制器性能退化模式状态下的历史数据作为训练集；步骤2：基于滚动特征时域滚动推进，通过深度残差网实现动态特征提取；步骤3：构建DRN‑SVM分类模型；步骤4：训练DRN‑SVM分类模型，预测控制性能退化诊断模型；步骤5：确定导致预测控制器性能退化的因素。本发明实现了捕捉复杂工业过程数据动态时序特征的同时又能够充分挖掘工业过程数据的数据特征，进而提高了预测控制器性能退化根源诊断的精度。