简介:跨长度和跨层次现象以及相应的多尺度耦合反映物质世界的基本性质及多学科交叉的内禀特征,具有极其丰富的科学内涵。集量子力学、原子学模拟、粗粒化技术、准连续描述以及有限元等多层次模拟为一体的统一表述和运作在萌芽和发展之中,目标为洞察物性本质,实现材料结构设计及物性预报。多尺度模型哈密顿表述及约束条件和相关准则的设定以及发展相应算法是其核心问题。本文简要介绍了材料科学中多尺度一多层次耦合中的基本问题,给出多尺度分析方法的一般描述;同时概述相关的处理方案。关于多尺度模型及相关分析计算,着重阐述了参量解析传递模式以及跨层次协同算法,介绍了作者的基本思想,理论计算框架,相关解析表式及部分计算结果。
简介:摘要本文提出一种基于小波方差和小波协方差的β系数估计方法,并通过小波方差和小波协方差的多尺度分解估计出不同尺度上的风险系数,用该方法对中国证券A股市场分行业及投资组合的β系数进行了多尺度估计分析。实证结果表明,我国股市具有复杂的多尺度波动的特征,不同时间尺度上证券市场所表现出的风险不一样,短期投资的风险主要表现在高频波动,投资者应当考虑低尺度下的β系数,而长期投资风险主要表现为低频波动,应当考虑大尺度下的β系数。
简介:裂缝预测在致密油气、煤层气、页岩气等非常规油气勘探中起着十分重要的作用。本文将裂缝分成大(大于1/4波长)、中(1/4~1/100波长)、小(远小于1/100波长)三种尺度类型开展综合预测研究。基于多尺度岩石物理正演模拟技术,分析区分中等尺度裂缝的叠前方位各向异性敏感属性,结合地质、测井和地震属性大尺度裂缝预测方法和岩心薄片观测小尺度裂缝预测,形成了一套综合地质岩心信息、成像测井解释和地震信息的多尺度裂缝综合预测方法。该方法通过岩心裂缝描述和成像测井解释,分析得到裂缝发育控制因素,再通过应力场构造模拟,完成区域性大尺度裂缝发育控制因素研究。利用叠后几何类属性进行大尺度裂缝预测,结合叠前衰减属性进行中等尺度裂缝预测,以及岩性统计学反演和断层叠合结果,验证中等尺度裂缝与岩性、断层的对应关系,明确了中尺度裂缝成因。通过岩心电镜扫描,分析小裂缝发育状况,最后综合三类裂缝研究成果分析储层裂缝发育状况。通过对某实际工区灰岩储层的裂缝发育情况进行综合预测研究,结果表明文中提出的多尺度裂缝预测基础理论方法和多尺度裂缝预测技术流程,能够较好地解决裂缝预测的强非均质性、多尺度问题,综合地质、测井和地震多信息裂缝多尺度预测技术能够实现裂缝性油气藏的储层描述和甜点预测。
简介:在穿墙雷达成像技术中,建筑布局成像对确定墙后人体目标的空间相对位置以及多径虚假目标的提取有重要意义。目前的建筑布局成像一般采用多通道多视角图像融合方法,对此提出一种基于多尺度分析,即基于小波分解下的多通道多视角图像融合算法。该算法分为两个阶段,第一阶段涉及到单视角下的多通道图像融合,该阶段的融合目的主要是为增强图像细节信息和提高图像清晰度。因此对其小波分解后的图像高频分量采用平均梯度增强的加权融合算法,低频分量采用平均加权融合,后经小波反变换后形成多幅单视角图像;第二阶段涉及到多视角融合,该阶段的融合目的主要是为了增强图像的对比度,并且考虑到此阶段不同视角下图像经小波分解后的三个高频分量对比度各不相同,因此高频分量采用对比度增强的加权融合算法,低频分量仍采用平均加权融合,后将融合后的频率分量经小波反变换,便可得到一幅完整融合图像。仿真结果表明,提出的基于小波分解下的多通道多视角图像融合算法不论在图像视觉效果的改善和信噪比的提高等方面都有较大的作用。
简介:摘要:本文针对轻钢结构厂房的两种常见损伤工况进行了多尺度有限元模拟,并分析了多尺度连接的误差允许范围。采用多尺度有限元模拟,在提高计算效率的同时,保证了计算的准确性。采用删除焊缝单元的方法初步实现不同焊缝缺陷的模拟,并分析其对结构局部和整体计算分析造成的影响。通过ANSYS APDL语言编写相应程序,采用高阶奇异单元模拟裂纹尖端,模拟不同长度的裂纹,并判断其在特定工况下是否发生失稳扩展,定性的描述了初始裂纹对局部和整体分析的影响。计算结果表明:裂纹的存在对远离裂纹处的应力影响较小,仅于裂纹尖端的应力分布有较大的改变。当初始裂纹长度达到一定数值时,将会引起失稳扩展和整体结构的失效。
简介:摘要:研究工作的主要内容包括:1)通过自适应融合各层特征图,解决了特征融合中图像空间信息冲突和特征金字塔中的不一致性问题;2)使用高效倒置瓶颈块降低模型复杂性,同时提升模型的有效性,解决EfficientDet模型的骨干特征提取网络参数效率低的问题,减少网络运行时间;3)使用多尺度块提升有效感受野,对病灶区域特征进一步关注,解决部分体积偏小的肝脏肿瘤病灶难以检测问题;4)使用先验框聚类和数据增强方法,从模型和数据两方面加强模型对肝脏肿瘤数据集的检测能力和泛化能力,解决肝脏肿瘤的形状大小不一及位置各异的问题。本文主要分析多尺度自适应融合的肝脏肿瘤检测。
简介:摘要目的研究和搭建人工智能深度学习网络,在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类。材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型,实现脑肿瘤的四分类任务。模型包括多尺度输入、改进残差、下采样和双通道池化共四个模块。将Kaggle中正常人和Figshare中肿瘤患者的脑部MRI图像进行数据集组合,对提出的模型进行训练和性能评估,优化网络超参数,提高分类准确率。结果在352张MRI图像上测试模型,仅使用多尺度输入模块时,得到平均分类准确率为96.59%。添加下采样模块后,准确率达到98.58%。对比最大池化、均值池化和双通道池化,准确率分别为96.02%、97.16%、98.58%。多尺度残差网络对脑肿瘤具有很好的分类效果,对胶质瘤、脑膜瘤、垂体瘤和正常无肿瘤图像的分类准确率分别为99.14%、99.14%、99.42%和99.42%。结论MRI是一种典型的检查脑肿瘤的医学成像方法,但放射科专家手工对脑肿瘤进行准确分类极具主观性和不确定性。提出的多尺度残差网络能为脑肿瘤自动分类提供有效的方法,且该网络提高了MRI脑肿瘤分类的准确率,很好地解决了梯度消失问题,提升了模型的泛化能力。