为解决常规非线性能量阱(nonlinear energy sink, NES)在低能量输入时难以触发靶向能量传递的问题,在立方刚度NES的基础上引入低阶非线性刚度项,提出一种组合刚度NES,以提高NES减震性能的鲁棒性。提出考虑不同层级能量输入的NES参数...
详细信息
为解决常规非线性能量阱(nonlinear energy sink, NES)在低能量输入时难以触发靶向能量传递的问题,在立方刚度NES的基础上引入低阶非线性刚度项,提出一种组合刚度NES,以提高NES减震性能的鲁棒性。提出考虑不同层级能量输入的NES参数优化策略,采用遗传算法对组合刚度NES、立方刚度NES和调谐质量阻尼器(tuned mass damper, TMD)进行参数数值寻优,对比分析了不同阻尼器的减震性能。结果表明,组合刚度NES的减震性能全面优于立方刚度NES,对不同层级能量输入的鲁棒性几乎与TMD相当,而对主结构频率变化的鲁棒性则优于TMD。利用数值小波变换对地震响应的功率谱进行分析,揭示了组合刚度NES能在较宽频带与主结构产生强烈的瞬时内共振俘获行为,由此表明其具有极强的频率鲁棒性。对能量在受控系统中不同部分间的传递分析表明,高阶非线性刚度仅在高能量输入时转移主结构能量,而低阶非线性刚度在低能量输入时仍可有效转移主结构能量,揭示了组合刚度NES具有良好的能量输入鲁棒性。
针对小样本学习过程中样本数量不足导致的性能下降问题,基于原型网络(Prototype network,ProtoNet)的小样本学习方法通过实现查询样本与支持样本原型特征间的距离度量,从而达到很好的分类性能.然而,这种方法直接将支持集样本均值视为类原型,在一定程度上加剧了对样本数量稀少情况下的敏感性.针对此问题,提出了基于自适应原型特征类矫正的小样本学习方法(Few-shot learning based on class rectification via adaptive prototype features,CRAPF),通过自适应生成原型特征来缓解方法对数据细微变化的过度响应,并同步实现类边界的精细化调整.首先,使用卷积神经网络构建自适应原型特征生成模块,该模块采用非线性映射获取更为稳健的原型特征,有助于减弱异常值对原型构建的影响;然后,通过对原型生成过程的优化,提升不同类间原型表示的区分度,进而强化原型特征对类别表征的整体效能;最后,在3个广泛使用的基准数据集上的实验结果显示,该方法提升了小样本学习任务的表现.
采用基于密度泛函理论的第一性原理方法,对三种类石墨烯材料(即 T 石墨烯、HOT 石墨烯和 net W 碳单层)中单空位和双空位的形成能以及电子结构性质进行了计算。结果表明,这三种类石墨烯中双空位的形成能总是低于单空位的形成能,并...
详细信息
采用基于密度泛函理论的第一性原理方法,对三种类石墨烯材料(即 T 石墨烯、HOT 石墨烯和 net W 碳单层)中单空位和双空位的形成能以及电子结构性质进行了计算。结果表明,这三种类石墨烯中双空位的形成能总是低于单空位的形成能,并且HOT石墨烯具有最小的单空位和双空位形成能。当存在单空位时,T石墨烯由金属转变为半导体,HOT石墨烯由半金属转化为金属,而net W碳单层仍为金属,双空位则不改变体系的电子性质。此外,对于这三种类石墨烯,单空位体系都具有弱磁性和平带,平带处的态密度主要来自px轨道,py轨道或px,py轨道的共同贡献。差分电荷密度图显示,空位的存在对整体电荷密度的影响是相当局域的。
暂无评论