CN107103120A - 基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 - Google Patents
基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 Download PDFInfo
- Publication number
- CN107103120A CN107103120A CN201710209061.2A CN201710209061A CN107103120A CN 107103120 A CN107103120 A CN 107103120A CN 201710209061 A CN201710209061 A CN 201710209061A CN 107103120 A CN107103120 A CN 107103120A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- alpha
- msup
- munderover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及一种基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法，包括以下步骤：1）收集若干个Ni‑Mn‑Ga形状记忆合金及其转变温度；2）收集Ni‑Mn‑Ga形状记忆合金其组成含量；3）以这些组成含量为自变量，以转变温度为因变量，采用支持向量机算法建立Ni‑Mn‑Ga形状记忆合金及的转变温度的快速预报模型；4）根据建立的Ni‑Mn‑Ga形状记忆合金转变温度的快速预报模型和待检测的新的Ni‑Mn‑Ga形状记忆合及其组成含量，快速预报其转变温度。本发明的方法方便、快捷。相比于传统测量，不需要购买仪器，操作简单，成本低。不破坏样品：在整个预测过程中个，不需要对样品进行化学、物理处理，不和破坏样品。不污染环境：本发明在整个过程中不用到化学药品，对环境没有污染。
Description
技术领域
本发明涉及一种Ni-Mn-Ga形状记忆合金转变温度的方法，尤其是一种基于支持向量机快速预报Ni-Mn-Ga形状记忆合金转变温度的方法。
背景技术
形状记忆合金(Shape memory alloys，简称SMAs)是一类因热弹性变形马氏体转变的假弹性和强弹性而表现出的形状记忆效应(SME)的合金。由于这种独特的性能，使得形状记忆合金在机械工程和医学上有着广泛的应用。但是从应用的角度来讲，形状记忆合金马氏体转变温度尤其是马氏体开始转变温度(the starting temperature of theforward martensitic transformation，简称Ms)对于工业设计至关重要，是形状记忆合金装置应用温度范围最重要的影响参数。
数学家Vapnik于1998年提出支持向量机算法，该算法是基于严密的“统计学习理论”上的新颖回归算法。对于回归问题，传统的化学计量学算法都着眼于最大似然的基点，力争“残差平方和”最小。这样将有限样本数据中的误差也拟合进数学模型，易产生“过拟合”问题。针对此不足，支持向量机算法巧妙的采用“ε不敏感函数”加以解决，提供高的泛化能力，进而避免过拟合现象。
目前没有看到支持向量机快速预报Ni-Mn-Ga形状记忆合金转变温度这方面的报道。
发明内容
本发明的目的就是为了克服现有技术存在的缺陷，而提供一种低成本、无污染、测试简单、简便快捷的基于支持向量机快速预报Ni-Mn-Ga形状记忆合金转变温度。
本发明的目的可以通过以下技术方案来实现：
一种基于支持向量机快速预报Ni-Mn-Ga形状记忆合金转变温度的方法，其特征在于该方法的具体步骤为：
a.收集若干个Ni-Mn-Ga形状记忆合金的组分数据及对应的转变温度(Ms)；
b.以组分数据为自变量，以转变温为因变量，采用支持向量机算法建立Ni-Mn-Ga形状记忆合金转变温度的快速预报模型；
c.根据步骤b建立的快速预报模型和待检测的Ni-Mn-Ga形状记忆合金的组分数据，预报其转变温度。
上述的步骤b的具体步骤为：
根据支持向量机算法中的数据挖掘算法，设样本集为：(y1,x1)…(yl,xl),x∈Rn,y∈R，回归函数用下列线性方程来表示：
f(x)＝wTx+b
最佳回归函数通过求以下函数的最小极值得出：
其中C是设定的惩罚因子值，ζi、ζi *为松弛变量的上限与下限；
运用下列不敏感损耗函数：
通过下面的优化方程：
在下列约束条件下：
0≤αi≤C，i＝1,2,...,l
0≤αi *≤C，i＝1,2,...,l
求解：
通过对上述支持向量机算法的编程实现，建立Ni-Mn-Ga形状记忆合金及转变温度的快速预报模型。
与现有技术相比，本发明具有以下优点：
一、预报Ni-Mn-Ga形状记忆合金转变温度简单、快捷：把Ni、Mn、Ga的含量导入建立的模型，不需要1秒钟就可以计算出结果，方便、快捷，仅需一人即可完成。
二、低成本：本发明利用Ni、Mn、Ga的含量-支持向量机预报Ni-Mn-Ga形状记忆合金转变温度，相比于传统测量，不需要购买仪器，操作简单，成本低。
三、不破坏样品：在整个预测过程中个，不需要对样品进行化学、物理处理，不和破坏样品。
四、不污染环境：本发明在整个过程中不用到化学药品，对环境没有污染。
附图说明
图1为Ni-Mn-Ga形状记忆合金转变温度建模结果图。
图2为Ni-Mn-Ga形状记忆合金转变温度距留一法结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例一：本发明基于支持向量机快速预报Ni-Mn-Ga形状记忆合金转变温度，包括如下步骤：
(1)收集若干个Ni-Mn-Ga形状记忆合金及其转变温度；
(2)收集Ni-Mn-Ga形状记忆合金其组成含量，如表1所示；
表1收集Ni-Mn-Ga形状记忆合金其组成含量
(3)以这些组成含量为自变量，以转变温度为因变量，采用支持向量机算法建立Ni-Mn-Ga形状记忆合金及的转变温度的快速预报模型；
支持向量机算法是数学家Vladimir N.Vapnik提出的新的数据挖掘算法。设样本集为：(y1,x1)…(yl,xl),x∈Rn,y∈R，回归函数用下列线性方程来表示，
f(x)＝wTx+b
最佳回归函数通过求以下函数的最小极值得出：
其中C是设定的惩罚因子值，ζi、ζi *为松弛变量的上限与下限。
Vapnik提出运用下列不敏感损耗函数：
通过下面的优化方程：
在下列约束条件下：
0≤αi≤C i＝1,2,...,l
0≤αi *≤C i＝1,2,...,l
求解：
由此可得拉格朗日方程的待定系数αi和从而得回归系数和常数项：
通过对上述支持向量机算法的编程实现，建立Ni-Mn-Ga形状记忆合金及转变温度的快速预报模型。38个Ni-Mn-Ga形状记忆合金转变温度的支持向量机预报模型的建模结果，如图1所示。
利用支持向量机算法对38个Ni-Mn-Ga形状记忆合金组分含量进行回归建模，建立Ni-Mn-Ga形状记忆合金转变温度的支持向量机预报模型，Ni-Mn-Ga形状记忆合金转变温度计算值和实验检测值的相关系数0.988。
(4)根据建立的Ni-Mn-Ga形状记忆合金及转变温度的快速预报模型和待检测的新的Ni-Mn-Ga形状记忆合金组分含量，快速预报其转变温度。38个Ni-Mn-Ga形状记忆合金转变温度的支持向量机预报模型的留一法结果，如图2所示。
留一法交叉验证是假设有N个样本，将每一个样本作为测试样本，其它N-1个样本作为训练样本。这样得到N个分类器，N个测试结果。用这N个结果的平均值来衡量模型的性能。采用留一法对38个Ni-Mn-Ga形状记忆合金转变温度的支持向量机预报模型进行内部交叉验证。留一法的Ni-Mn-Ga形状记忆合金转变温度计算值和实验检测值的相关系数0.985。
Claims (2)
1.一种基于支持向量机快速预报Ni-Mn-Ga形状记忆合金转变温度的方法，其特征在于该方法的具体步骤为：
a.收集若干个Ni-Mn-Ga形状记忆合金的组分数据及对应的转变温度(Ms)；
b.以组分数据为自变量，以转变温为因变量，采用支持向量机算法建立Ni-Mn-Ga形状记忆合金转变温度的快速预报模型；
c.根据步骤b建立的快速预报模型和待检测的Ni-Mn-Ga形状记忆合金的组分数据，预报其转变温度。
2.根据权利要求1所述的一种基于支持向量机快速预报Ni-Mn-Ga形状记忆合金转变温度的方法，其特征在于所述的步骤b的具体步骤为：
a-1.根据支持向量机算法中的数据挖掘算法，设样本集为：(y1,x1)…(yl,xl),x∈Rn,y∈R，回归函数用下列线性方程来表示：
f(x)＝wTx+b
最佳回归函数通过求以下函数的最小极值得出：
其中C是设定的惩罚因子值，ζi、ζi *为松弛变量的上限与下限；
运用下列不敏感损耗函数：
<mrow>
<msub>
<mi>L</mi>
<mi>e</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mi>o</mi>
<mi>r</mi>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<mo><</mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<mo>-</mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
通过下面的优化方程：
<mrow>
<munder>
<mi>max</mi>
<mrow>
<mi>&alpha;</mi>
<mo>,</mo>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
</mrow>
</munder>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>max</mi>
<mrow>
<mi>&alpha;</mi>
<mo>,</mo>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
</mrow>
</munder>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
在下列约束条件下：
0≤αi≤C,i＝1,2,...,l
0≤αi*≤C,i＝1,2,...,l
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
求解：
<mrow>
<mover>
<mi>&alpha;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<msup>
<mover>
<mi>&alpha;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
</mstyle>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
</mstyle>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>-</mo>
<mover>
<mi>&Sigma;</mi>
<mi>l</mi>
</mover>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>l</mi>
</munderover>
</mstyle>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
<mi>&epsiv;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
由此可得拉格朗日方程的待定系数和从而得回归系数和常数项：
<mrow>
<mover>
<mi>w</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mover>
<mi>b</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mover>
<mi>w</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
通过对上述支持向量机算法的编程实现，建立Ni-Mn-Ga形状记忆合金及转变温度的快速预报模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710209061.2A CN107103120A (zh) | 2017-03-31 | 2017-03-31 | 基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710209061.2A CN107103120A (zh) | 2017-03-31 | 2017-03-31 | 基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107103120A true CN107103120A (zh) | 2017-08-29 |
Family
ID=59676052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710209061.2A Pending CN107103120A (zh) | 2017-03-31 | 2017-03-31 | 基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107103120A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916998A (zh) * | 2010-07-12 | 2010-12-15 | 东北电力科学研究院有限公司 | 一种基于支持向量机的风电功率预测装置及方法 |
| CN102016307A (zh) * | 2008-05-08 | 2011-04-13 | 通用汽车环球科技运作公司 | 用于形状记忆合金致动器的过热保护 |
| CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
| US20150379413A1 (en) * | 2014-06-30 | 2015-12-31 | Palantir Technologies, Inc. | Crime risk forecasting |
-
2017
- 2017-03-31 CN CN201710209061.2A patent/CN107103120A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102016307A (zh) * | 2008-05-08 | 2011-04-13 | 通用汽车环球科技运作公司 | 用于形状记忆合金致动器的过热保护 |
| CN101916998A (zh) * | 2010-07-12 | 2010-12-15 | 东北电力科学研究院有限公司 | 一种基于支持向量机的风电功率预测装置及方法 |
| CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
| US20150379413A1 (en) * | 2014-06-30 | 2015-12-31 | Palantir Technologies, Inc. | Crime risk forecasting |
Non-Patent Citations (3)
| Title |
|---|
| 李康: "第二相析出对FeMnSiCrNi合金形状记忆效应的影响机理研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 祝金荣: "《石油期货价格预测研究》", 31 July 2008, 北京：冶金工业出版社 * |
| 苏欣: "ABC2半导体化合物性能预测和数据挖掘平台开发", 《中国博士学位论文全文数据库 信息科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| McGregor et al. | Recent Walker circulation strengthening and Pacific cooling amplified by Atlantic warming | |
| Hasan et al. | Estimating energy-related CO2 emission growth in Bangladesh: The LMDI decomposition method approach | |
| CN102914623B (zh) | 一种湿度传感器温度补偿的融合方法 | |
| Gurbuz et al. | Does agricultural value-added induce environmental degradation? Evidence from Azerbaijan | |
| Martinelli et al. | Experimentally based model to size the geometry of a new OWC device, with reference to the Mediterranean Sea wave environment | |
| Kent et al. | Representation of the Australian sub-tropical ridge in the CMIP3 models. | |
| Peng et al. | Spatiotemporal variability in extreme precipitation in China from observations and projections | |
| Razavieh et al. | Worldwide wind energy status and the characteristics of wind energy in Iran, case study: the province of Sistan and Baluchestan | |
| Filom et al. | Exploring wind energy potential as a driver of sustainable development in the southern coasts of iran: The importance of wind speed statistical distribution model | |
| Cuevas-Carvajal et al. | Effect of geometrical parameters on the performance of conventional Savonius VAWT: A review | |
| CN102495939A (zh) | 基于核函数优化的支持向量机太阳翼展开可靠性评估方法 | |
| Kibria | Ecological footprint in Bangladesh: Identifying the intensity of economic complexity and natural resources | |
| Razzaq et al. | The nexus between energy, environment and growth: Evidence from Latin-American countries | |
| Mohan et al. | A novel bagging ensemble approach for predicting summertime ground-level ozone concentration | |
| Abdellah et al. | A comparative study to evaluate the essential work of fracture to measure the fracture toughness of quasi-brittle material | |
| CN107103120A (zh) | 基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 | |
| Režný et al. | Adding feedbacks and non-linearity to the neoclassical growth model: A new realm for system dynamics applications | |
| Klimenko et al. | Will energy transition be capable to halt the global warming and why the climate change projections are so wrong? | |
| Yu et al. | Climate change impacts on streamflow drought: a case study in Tseng-Wen reservoir catchment in southern Taiwan | |
| Rosen et al. | The Economics of Mitigating Climate Change? What Can We Know? | |
| CN106202920A (zh) | 一种单站海面气压的数值预报释用方法 | |
| Tang et al. | Fault diagnosis method for wind turbine gearboxes based on IWOA-RF | |
| Cowan et al. | Forcing of anthropogenic aerosols on temperature trends of the sub-thermocline southern Indian Ocean | |
| Azadeh et al. | An adaptive-network-based fuzzy inference system-data envelopment analysis algorithm for optimization of long-term electricity consumption, forecasting and policy analysis: the case of seven industrialized countries | |
| Kaufman et al. | Use of statistical entropy and life cycle analysis to evaluate global warming potential of waste management systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170829 |
|
| RJ01 | Rejection of invention patent application after publication |