CN113420420B - 一种基于SysML的卫星总体参数建模及优化方法 - Google Patents
一种基于SysML的卫星总体参数建模及优化方法 Download PDFInfo
- Publication number
- CN113420420B CN113420420B CN202110592941.9A CN202110592941A CN113420420B CN 113420420 B CN113420420 B CN 113420420B CN 202110592941 A CN202110592941 A CN 202110592941A CN 113420420 B CN113420420 B CN 113420420B
- Authority
- CN
- China
- Prior art keywords
- optimization
- sysml
- level
- design
- satellite
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 238000013461 design Methods 0.000 claims abstract description 52
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract 1
- 238000004904 shortening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012938 design process Methods 0.000 description 4
- 238000013215 result calculation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于SysML的卫星总体参数建模及优化方法,通过以下步骤实现:(1)基于SysML语言从需求‑功能‑结构‑参数四个维度对复杂产品进行系统建模;(2)建立总体效能指标(MoE)、性能指标(MoP)和技术性能指标(TPM)三级指标体系,实现用户需求到系统实现端性能参数的映射;(3)依托SysML模型库的参数图定义设计变量、约束、优化目标函数并建立各学科分析模型,采用基于SysML模型和遗传算法的协同优化方法,完成遥感卫星概念设计阶段中的参数优化任务。本发明有助于缩短项目周期,为其他复杂工程的优化设计提供参考依据。
Description
技术领域
本发明涉及计算机建模仿真技术领域,具体为一种基于SysML的卫星总体参数建模及优化方法。
背景技术
对地观测卫星是一种大型的复杂系统产品,设计过程涉及轨道、电源、测控、载荷等多门学科。传统的系统设计过程是以文档为中心,以总体目标和约束条件为基础,确定最终方案。在设计过程中,各学科负责人相互沟通、协商,生成大量的资料以及不断修改的数据。普通的文档或其他无关联性的储存方式已经成为系统设计过程中的一大障碍,仅仅校对、修改、评估等过程就占用了产品设计周期的大量时间。此外,设计师面对各设计人员提出的多种方案,难以抉择。此外,在项目立项和论证阶段,需要快速地对用户需求进行分析,提出相应用户需求的最优方案,这就需要进行快速地方案设计。一套好的卫星系统设计方案就是综合考虑各种条件,反复调整和完善卫星总体参数,通过多学科优化设计而提出的。
基于模型的系统工程(MBSE)提倡用数字化模型代替基于自然语言的设计信息,把文档中的系统结构、功能、性能、参数等全部转化为数字模型表达。MBSE的形式化建模支持系统开发全寿命周期,包括需求获取、系统设计、样品测试、仿真验证与确认。将以上步骤涉及的信息元素集成在统一的模型中,设计人员面向同一个模型做设计交流。使用图像化建模语言SysML是MBSE最主流的实践方式,基于SysML所建模型具有无二义性、可重用性、易维护性等特点。
国际系统工程学会(INCOSE)和对象管理组织(OMG)在UML2.0的基础上提出系统建模语言(SysML),适合描述系统的层次、结构、行为、属性及组件间的关系。SysML模型可以支持产品全生命周期的各个阶段,有着标准化、规范化的特点。更为重要的是,SysML模型可以代替文档来进行系统仿真,验证产品功能的合理性并不断演进,改变传统航天器“基于文档、人工协同、经验定标、实物验证”的模式。
发明内容
本发明的目的在于提供一种基于SysML的卫星总体参数建模及优化方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
本发明一种基于SysML的卫星总体参数建模及优化方法,具体步骤如下:
(1)基于SysML的对地观测卫星的需求获取;
(2)基于SysML的对地观测卫星的需求分析及指标获取;
(3)对地观测卫星的多学科设计优化模型的建立;
(4)采用基于遗传算法的协同优化方法对所建模型求解。
优选的,所述步骤(1)的需求获取过程如下:将自然语言、思维想法形式信息统一为图形化语言。
优选的,所述步骤(2)的需求分析划分规则如下:判断各需求自然语句的句式,若该语句为包含动词的陈述句,将获取的需求划分到功能性需求;若为不包含动词的句式,则将其划分为非功能性需求。
优选的,所述步骤(2)的指标获取过程如下:从需求模型出发,经过功能分解完成需求的量化,通过判断量化后的指标是否直接与利益相关者相关来划分各指标。
更优选的,指标获取的结果包括4个MoE、6个MoP、8个TPM;其中,MoE包括观测区域、成像质量和能力、卫星质量、任务寿命;MoP包括降交点地方时、轨道高度、任务寿命、蓄电池循环次数、像元分辨率、幅宽;TPM包括重量、CCD相机焦距、动量轮容量、太阳电池阵帆板类型和面积、相机谱段范围、观测信噪比、日照时长、发动机推力。
优选的,所述步骤(3)的对地观测卫星的多学科设计优化模型的建立,将MoE累加值作为目标函数,描述如下:
式中,X为设计变量;Wi是由序关系分析法确定的第i个权重系数;F(X)为系统级目标函数;MoEi为量化后的第i个系统变量,MoEi0是为归一化引入的固定值。
优选的,其中,设计变量X为轨道高度h、CCD相机焦f、降交点地方时DNT、蓄电池组额定容量Q、太阳电池阵帆板类型Tsolar和面积A。
优选的,步骤(4)采用基于遗传算法的协同优化方法对所建模型求解;
其中,按照协同优化方法将问题转化为系统级和学科级两级模型,系统级优化问题的数学模型如下:
式中,X为设计变量,XL和XU为设计变量的上下边界;F(X)为系统级目标函数;xij *为第i个系统级的第j个共享设计变量最优值;Xj为系统级第j个设计变量;k为系统级模型个数;Ji *(X)为第i个学科级提供的一致性等式约束;
学科级优化问题的数学模型如下:
式中,Ji(xi)为系统级Ji *的优化目标函数;xij为第i个系统级的第j个设计变量;Xj *为系统级到学科级的传输变量;g(xi)为各学科约束。
优选的,所述步骤(4)的求解方式为基于遗传算法的协同优化过程,具体步骤如下:
Step1.初始化设计变量,将期望值分配到分系统优化器中;
Step2.分系统优化器接收输入的学科优化指标,并结合本系统设计变量,在优化过程中采用遗传算法,获得本分系统设计变量的优化结果;
Step3.设置Step2中的GA参数,种群P、遗传代数G,执行遗传算子的运算,获得具有最大适应度的个体;
Step4.分系统优化完成后,最优目标值Ji传送到系统级优化器中,将作为约束条件进行优化,系统级优化器协调各分系统优化的不一致性;
Step5.判断是否满足一致性约束条件若满足,则结束迭代流程,得到结果,否则,转至Step2继续执行。
与现有技术相比,本发明的有益效果是:
(1)本发明采用SysML图形化语言对卫星总体参数多学科建模,所建模型具有维护、更新和扩展的能力,满足对地观测卫星方案设计要求。以模型方式表达整星各项功能仿真,完成不同输入参数下的结果计算,后续可作为优化模型分析参数。
(2)本发明所建模型便于灵敏度分析,采用基于遗传算法的协同优化方法对系统目标函数求解,相比于标准协同优化算法可以保证优化解的可行域。
附图说明
图1为本发明的流程图;
图2为对地观测卫星需求图;
图3为对地观测卫星指标获取流程图;
图4为对地观测卫星参数关联图;
图5为基于遗传算法的协同优化流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明一种基于SysML的卫星总体参数建模及优化方法,通过对概念设计前期需求分析、指标获取的可视化研究,建立卫星分系统重点学科分析模型,以整体效能指标累加值作为系统目标函数,对设计变量做优化设计。为确定卫星总体参数的优化范围并提高卫星概念设计阶段系统建模与优化的效率,本发明建立对地观测卫星电源、轨道、载荷三个学科的物理架构模型和学科分析模型,采用基于遗传算法的协同优化方法对所建模型求解。
如图1所示,该基于SysML的卫星总体参数建模及优化方法,具体步骤如下:
(1)基于SysML的对地观测卫星的需求获取;
(2)基于SysML的对地观测卫星的需求分析及指标获取;
(3)对地观测卫星的多学科设计优化模型的建立;
(4)采用基于遗传算法的协同优化方法对所建模型求解。
本发明中,所述步骤(1)的需求获取过程如下:将自然语言、思维想法形式信息统一为图形化语言;步骤(1)基于SysML的需求获取过程是从项目合同、可行性论证报告、会议内容等文档中获取,依照SysML需求图的建模要求,将需求以<<requirement>>元类型标识的方式映射到模型中,如图2所示。
本发明中,所述步骤(2)的需求分析划分规则如下:判断各需求自然语句的句式,若该语句为包含动词的陈述句,将获取的需求划分到功能性需求;若为不包含动词的句式,则将其划分为非功能性需求。
本发明中,所述步骤(2)的指标获取过程如下:从需求模型出发,经过功能分解完成需求的量化,通过判断量化后的指标是否直接与利益相关者相关来划分各指标,如图3所示;指标获取的结果包括4个MoE、6个MoP、8个TPM;其中,MoE包括观测区域、成像质量和能力、卫星质量、任务寿命;MoP包括降交点地方时、轨道高度、任务寿命、蓄电池循环次数、像元分辨率、幅宽;TPM包括重量、CCD相机焦距、动量轮容量、太阳电池阵帆板类型和面积、相机谱段范围、观测信噪比、日照时长、发动机推力。
本发明中,所述步骤(3)的对地观测卫星的多学科设计优化模型的建立,将MoE累加值作为目标函数,描述如下:
式中,X为设计变量;Wi是由序关系分析法确定的第i个权重系数;F(X)为系统级目标函数;MoEi为量化后的第i个系统变量,MoEi0是为归一化引入的固定值。
其中,设计变量X为轨道高度h、CCD相机焦f、降交点地方时DNT、蓄电池组额定容量Q、太阳电池阵帆板类型Tsolar和面积A。
如图4所示,建立对地观测卫星的质量分析模块,将计算公式封装到SysML模型元素中的<<constraint>>中。左侧框图表示卫星各分系统的质量(载荷分系统质量mass1、电源分系统质量mass2、姿轨控分系统质量mass3和其他分系统质量mass4)和整星总质量(mass_total),其值类型为Real;右侧的框图表示计算模块,两者以直线连接绑定传输数据。
本发明中,所述步骤(4)采用基于遗传算法的协同优化方法对所建模型求解;
其中,按照协同优化方法将问题转化为系统级和学科级两级模型,系统级优化问题的数学模型如下:
式中,X为设计变量,XL和XU为设计变量的上下边界;F(X)为系统级优化目标函数;xij *为第i个系统级的第j个共享设计变量最优值;Xj为系统级第j个设计变量;k为系统级模型个数;Ji *(X)为第i个系统级提供的一致性等式约束;
学科级优化问题的数学模型如下:
式中,Ji(xi)为系统级Ji *的优化目标函数;xij为第i个系统级的第j个设计变量;Xj *为系统级到系统级的传输变量;g(xi)为各学科约束。
如图5所示,本发明中,所述步骤(4)的求解方式为基于遗传算法的协同优化过程,具体步骤如下:
Step1.初始化设计变量,将期望值分配到分系统优化器中;
Step2.分系统优化器接收输入的学科优化指标,并结合本系统设计变量,在优化过程中采用遗传算法,获得本分系统设计变量的优化结果;
Step3.设置Step2中的GA参数,种群P、遗传代数G,执行遗传算子的运算,获得具有最大适应度的个体;
Step4.分系统优化完成后,最优目标值Ji传送到系统级优化器中,将作为约束条件进行优化,系统级优化器协调各分系统优化的不一致性;
Step5.判断是否满足一致性约束条件,若满足,则结束迭代流程,得到结果,否则,转至Step2继续执行。
综上所述,本发明采用SysML图形化语言对卫星总体参数多学科建模,所建模型具有维护、更新和扩展的能力,满足对地观测卫星方案设计要求。以模型方式表达整星各项功能仿真,完成不同输入参数下的结果计算,后续可作为优化模型分析参数;本发明所建模型便于灵敏度分析,采用基于遗传算法的协同优化方法对系统目标函数求解,相比于标准协同优化算法可以保证优化解的可行域。
Claims (4)
1.一种基于SysML的卫星总体参数建模及优化方法,其特征在于:具体步骤如下:
(1)基于SysML的对地观测卫星的需求获取;
(2)基于SysML的对地观测卫星的需求分析及指标获取;
(3)对地观测卫星的多学科设计优化模型的建立;
(4)采用基于遗传算法的协同优化方法对所建模型求解;
所述步骤(4)采用基于遗传算法的协同优化方法对所建模型求解;
其中,按照协同优化方法将问题转化为系统级和学科级两级模型,系统级优化问题的数学模型如下:
式中,X为设计变量,XL和XU为设计变量的上下边界;F(X)为系统级目标函数;xij *为第i个系统级的第j个共享设计变量最优值;Xj为系统级第j个设计变量;k为系统级模型个数;Ji *(X)为第i个系统级提供的一致性等式约束;
学科级优化问题的数学模型如下:
式中,Ji(xi)为系统级Ji *的优化目标函数;xij为第i个系统级的第j个设计变量;Xj *为系统级到学科级的传输变量;g(xi)为各学科约束;
所述步骤(4)的求解方式为基于遗传算法的协同优化过程,具体步骤如下:
Step1.初始化设计变量,将期望值分配到分系统优化器中;
Step2.分系统优化器接收输入的学科优化指标,并结合本系统设计变量,在优化过程中采用遗传算法,获得本分系统设计变量的优化结果;
Step3.设置Step2中的GA参数,种群P、遗传代数G,执行遗传算子的运算,获得具有最大适应度的个体;
Step4.分系统优化完成后,最优目标值Ji传送到系统级优化器中,将作为约束条件进行优化,系统级优化器协调各分系统优化的不一致性;
Step5.判断是否满足一致性约束条件若满足,则结束迭代流程,得到结果,否则,转至Step2继续执行。
2.根据权利要求1所述的一种基于SysML的卫星总体参数建模及优化方法,其特征在于:所述步骤(1)的需求获取过程如下:将自然语言、思维想法形式信息统一为图形化语言。
3.根据权利要求1所述的一种基于SysML的卫星总体参数建模及优化方法,其特征在于:所述步骤(2)的需求分析划分规则如下:判断各需求自然语句的句式,若该语句为包含动词的陈述句,将获取的需求划分到功能性需求;若为不包含动词的句式,则将其划分为非功能性需求;
所述步骤(2)的指标获取过程如下:从需求模型出发,经过功能分解完成需求的量化,通过判断量化后的指标是否直接与利益相关者相关来划分各指标;
指标获取的结果包括4个MoE指标、6个MoP指标、8个TPM指标;其中,MoE指标包括观测区域、成像质量和能力、卫星质量、任务寿命;MoP指标包括降交点地方时、轨道高度、任务寿命、蓄电池循环次数、像元分辨率、幅宽;TPM指标包括重量、CCD相机焦距、动量轮容量、太阳电池阵帆板类型和面积、相机谱段范围、观测信噪比、日照时长、发动机推力。
4.根据权利要求3所述的一种基于SysML的卫星总体参数建模及优化方法,其特征在于:所述步骤(3)的对地观测卫星的多学科设计优化模型的建立,将MoE累加值作为目标函数,描述如下:
式中,X为设计变量;Wi是由序关系分析法确定的第i个权重系数;F(X)为系统级目标函数;MoEi为量化后的第i个系统变量,MoEi0是为归一化引入的固定值;
设计变量X为轨道高度h、CCD相机焦f、降交点地方时DNT、蓄电池组额定容量Q、太阳电池阵帆板类型Tsolar和面积A。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110592941.9A CN113420420B (zh) | 2021-05-28 | 2021-05-28 | 一种基于SysML的卫星总体参数建模及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110592941.9A CN113420420B (zh) | 2021-05-28 | 2021-05-28 | 一种基于SysML的卫星总体参数建模及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420420A CN113420420A (zh) | 2021-09-21 |
CN113420420B true CN113420420B (zh) | 2024-02-27 |
Family
ID=77713185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110592941.9A Active CN113420420B (zh) | 2021-05-28 | 2021-05-28 | 一种基于SysML的卫星总体参数建模及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420420B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133932A (zh) * | 2014-05-27 | 2014-11-05 | 中国空间技术研究院 | 一种基于多学科优化的卫星总体方案确定系统及实现方法 |
CN110276159A (zh) * | 2019-07-01 | 2019-09-24 | 北京理工大学 | 一种基于多模型融合的卫星系统多学科优化方法 |
CN112380625A (zh) * | 2020-11-20 | 2021-02-19 | 南京航空航天大学 | 适于飞行器机载系统架构设计的aMBSE方法 |
-
2021
- 2021-05-28 CN CN202110592941.9A patent/CN113420420B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133932A (zh) * | 2014-05-27 | 2014-11-05 | 中国空间技术研究院 | 一种基于多学科优化的卫星总体方案确定系统及实现方法 |
CN110276159A (zh) * | 2019-07-01 | 2019-09-24 | 北京理工大学 | 一种基于多模型融合的卫星系统多学科优化方法 |
CN112380625A (zh) * | 2020-11-20 | 2021-02-19 | 南京航空航天大学 | 适于飞行器机载系统架构设计的aMBSE方法 |
Non-Patent Citations (2)
Title |
---|
协同优化在卫星多学科设计优化中的初步应用;裴晓强等;宇航学报;第第27卷卷(第第5期期);第1054-1058页 * |
基于MBSE的卫星产品系统与可靠性集成设计技术研究;王宗仁等;第三届体系工程学术会议论文集-复杂系统与体系工程管理;第380-389页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420420A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Surrogate-model-based design and optimization | |
Gong et al. | Renewable energy accommodation potential evaluation of distribution network: A hybrid decision-making framework under interval type-2 fuzzy environment | |
CN109470268B (zh) | 一种提高卫星姿态确定精度和效率的方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
Ross et al. | Revisiting the tradespace exploration paradigm: structuring the exploration process | |
CN112150025A (zh) | 综合能源服务项目的经济性评价方法及系统 | |
CN111722139A (zh) | 基于可微连续映射的锂电池健康监测模型自学习方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
Monteiro et al. | sympl (v. 0.4. 0) and climt (v. 0.15. 3)–towards a flexible framework for building model hierarchies in Python | |
CN113988364A (zh) | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 | |
MacBean et al. | Quantifying and reducing uncertainty in global carbon cycle predictions: Lessons and perspectives from 15 years of data assimilation studies with the ORCHIDEE terrestrial biosphere model | |
CN117035505A (zh) | 一种基于斜坡式重力储能的技术经济性评估方法及系统 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
CN116014724A (zh) | 一种有源配电网网格化负荷预测方法 | |
CN113420420B (zh) | 一种基于SysML的卫星总体参数建模及优化方法 | |
Fawzy et al. | Trio-V wind analyzer: a generic integral system for wind farm suitability design and power prediction using big data analytics | |
Di Giulio et al. | Scenario's evaluation by design. A" scenarios approach" to resilience | |
CN115713252A (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
Sang et al. | Calculating method for environmental carrying capacity of low-carbon tourism in coastal areas under ecological efficiency | |
CN113987837A (zh) | 铁路选线评价系统及方法 | |
Getachew et al. | Modeling Land-Use/Land-Cover Change, Using Multi-Layer Perceptron and Markov Chain Analysis: A Study on Bahir Dar City, Ethiopia | |
Alfonsi et al. | Status Report on the INL IES Plug-and-Play Framework | |
Wu et al. | A review of surrogate-assisted design optimization for improving urban wind environment | |
Naidoo et al. | Forecasting of Time Series Telemetry for Satellite Operations using Deep Learning Techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |