CN117852420A - 一种基于拓扑优化的还原蒸馏炉加固方法及系统 - Google Patents
一种基于拓扑优化的还原蒸馏炉加固方法及系统 Download PDFInfo
- Publication number
- CN117852420A CN117852420A CN202410261411.XA CN202410261411A CN117852420A CN 117852420 A CN117852420 A CN 117852420A CN 202410261411 A CN202410261411 A CN 202410261411A CN 117852420 A CN117852420 A CN 117852420A
- Authority
- CN
- China
- Prior art keywords
- model
- distillation furnace
- reduction distillation
- under different
- temperature
- 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.)
- Granted
Links
- 238000004821 distillation Methods 0.000 title claims abstract description 70
- 230000009467 reduction Effects 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003014 reinforcing effect Effects 0.000 title claims abstract description 14
- 230000002787 reinforcement Effects 0.000 claims abstract description 33
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 9
- 238000010146 3D printing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003466 welding Methods 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种基于拓扑优化的还原蒸馏炉加固方法，该方法包括：收集还原蒸馏炉在不同工况下的温度、压力和流速数据；根据不同工况下的温度、压力和流速数据，建立还原蒸馏炉的结构和热力学模型；通过拓扑优化算法对模型进行优化；对优化后的模型进行验证，若验证合格，则根据优化结果，对还原蒸馏炉进行实际的结构加固。本申请提供的上述方案，应用拓扑优化技术来加固还原蒸馏炉，通过这种方法可以在不显著增加炉体重量的前提下，有效提高其刚度和热稳定性。同时，本发明使用真实的温度、压力和流速数据来建立炉体的结构和热力学模型，确保了模型的准确性和可靠性。
Description
技术领域
本发明涉及蒸馏炉技术领域，具体涉及一种基于拓扑优化的还原蒸馏炉加固方法及系统。
背景技术
工业炉是现代制造业的重要组成部分，它在各种生产过程中扮演着至关重要的角色，从炼钢、炼油到化学合成等。在这些应用中，工业炉的稳定性、效率和寿命直接影响到生产效率、产品质量和能源利用效率。为了确保工业炉的高效运行，其结构的稳定性和耐热性变得尤为重要。随着生产工艺的发展和对能源利用效率的日益重视，对工业炉的加固和优化需求也在不断增加。
还原蒸馏炉是工业炉的一种，它特别用于高温下的生产过程。由于它需要在极端的温度条件下运行，因此其结构稳定性和耐热性面临巨大的挑战。
为了确保还原蒸馏炉的稳定运行和延长其使用寿命，传统的方法主要采用加厚和加焊加强筋的方式进行加固。然而，这些方法存在一定的局限性，如可能导致炉体重量增加、加固成本高昂以及加固效果有限等。因此，寻找一种更加科学、有效和经济的加固方法成为了行业的迫切需求。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种基于拓扑优化的还原蒸馏炉加固方法及系统。
第一方面，本申请实施例提供了一种基于拓扑优化的还原蒸馏炉加固方法，该方法包括：
S1：收集还原蒸馏炉在不同工况下的温度、压力和流速数据；
S2：根据不同工况下的温度、压力和流速数据，建立还原蒸馏炉的结构和热力学模型；
S3：通过拓扑优化算法对模型进行优化；
S4：对优化后的模型进行验证，若验证合格，则根据优化结果，对还原蒸馏炉进行实际的结构加固。
在其中一个实施例中，所述步骤S1包括：
将多个传感器设置在还原蒸馏炉上的预定位置；
通过多个传感器获取还原蒸馏炉在不同工况下的温度、压力和流速数据。
在其中一个实施例中，所述通过多个传感器获取还原蒸馏炉在不同工况下的温度、压力和流速数据，包括：
将多个传感器获取的数据通过预设数据处理算法处理后获取还原蒸馏炉在不同工况下的温度、压力和流速数据，其中，所述预设数据处理算法包括统计分析法、数据过滤或机器学习法。
在其中一个实施例中，所述S2包括：
将不同工况下的温度、压力和流速数据输入到深度学习模型中，通过深度学习模型建立还原蒸馏炉的结构和热力学模型。
在其中一个实施例中，所述将不同工况下的温度、压力和流速数据输入到深度学习模型中，包括：
将不同工况下的温度和流速输入到热力学模型中，将不同工况下的压力输入到结构模型中。
在其中一个实施例中，所述热力学模型包括：热传导模型和能量守恒模型，其中，热传导模型为，其中，q为热流密度，k为热导率，/>为温度梯度；
能量守恒模型为：=/>+/>，其中，ρ为密度，Cp为比热容，T为温度，t为时间，Q为单位体积内的热源项；
所述将不同工况下的温度和流速输入到热力学模型中包括：
将不同工况下的温度输入到能量守恒模型中，将不同工况下的流速输入到热传导模型中。
在其中一个实施例中，所述结构模型为σ=Eε，其中，σ是应力，E是材料的弹性模量，ε是应变。
在其中一个实施例中，所述S3包括：通过遗传算法、蚁群优化算法对模型进行优化。
在其中一个实施例中，所述对优化后的模型进行验证，包括：
通过CFD软件对优化后的模型进行验证；
所述对还原蒸馏炉进行实际的结构加固，包括：
通过3D打印对还原蒸馏炉进行实际的结构加固。
第二方面，本申请实施例提供了一种基于拓扑优化的还原蒸馏炉加固系统，该系统包括：
收集模块，用于收集还原蒸馏炉在不同工况下的温度、压力和流速数据；
建立模块，用于根据不同工况下的温度、压力和流速数据，建立还原蒸馏炉的结构和热力学模型；
优化模块，用于通过拓扑优化算法对模型进行优化；
加固模块，用于对优化后的模型进行验证，若验证合格，则根据优化结果，对还原蒸馏炉进行实际的结构加固。
本申请的有益效果包括：
本申请提供的基于拓扑优化的还原蒸馏炉加固方法，应用拓扑优化技术来加固还原蒸馏炉，通过这种方法可以在不显著增加炉体重量的前提下，有效提高其刚度和热稳定性。同时，本发明使用真实的温度、压力和流速数据来建立炉体的结构和热力学模型，确保了模型的准确性和可靠性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了本申请实施例提供的基于拓扑优化的还原蒸馏炉加固方法的流程示意图；
图2示出了根据本申请一个实施例的基于拓扑优化的还原蒸馏炉加固系统200的示例性结构框图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个及两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1所示，图1示出了本申请实施例提供的一种基于拓扑优化的还原蒸馏炉加固方法，该方法包括：
步骤110：收集还原蒸馏炉在不同工况下的温度、压力和流速数据；
步骤120：根据不同工况下的温度、压力和流速数据，建立还原蒸馏炉的结构和热力学模型；
步骤130：通过拓扑优化算法对模型进行优化；
步骤140：对优化后的模型进行验证，若验证合格，则根据优化结果，对还原蒸馏炉进行实际的结构加固。
采用上述技术方案，应用拓扑优化技术来加固还原蒸馏炉，通过这种方法可以在不显著增加炉体重量的前提下，有效提高其刚度和热稳定性。同时，本发明使用真实的温度、压力和流速数据来建立炉体的结构和热力学模型，确保了模型的准确性和可靠性。
在一些实施例中，步骤110包括：
将多个传感器设置在还原蒸馏炉上的预定位置；
通过多个传感器获取还原蒸馏炉在不同工况下的温度、压力和流速数据。
在一些实施例中，通过多个传感器获取还原蒸馏炉在不同工况下的温度、压力和流速数据，包括：
将多个传感器获取的数据通过预设数据处理算法处理后获取还原蒸馏炉在不同工况下的温度、压力和流速数据，其中，预设数据处理算法包括统计分析法、数据过滤或机器学习法。
在一些实施例中，步骤120包括：
将不同工况下的温度、压力和流速数据输入到深度学习模型中，通过深度学习模型建立还原蒸馏炉的结构和热力学模型。
在一些实施例中，将不同工况下的温度、压力和流速数据输入到深度学习模型中，包括：
将不同工况下的温度和流速输入到热力学模型中，将不同工况下的压力输入到结构模型中。
在一些实施例中，热力学模型包括：热传导模型和能量守恒模型，其中，热传导模型为，其中，q为热流密度，k为热导率，/>为温度梯度；
能量守恒模型为：=/>+/>，其中，ρ为密度，Cp为比热容，T为温度，t为时间，Q为单位体积内的热源项；
将不同工况下的温度和流速输入到热力学模型中包括：
将不同工况下的温度输入到能量守恒模型中，将不同工况下的流速输入到热传导模型中。
在一些实施例中，结构模型为σ=Eε，其中，σ是应力，E是材料的弹性模量，ε是应变。
在一些实施例中，步骤130包括：通过遗传算法、蚁群优化算法对模型进行优化。
在一些实施例中，对优化后的模型进行验证，包括：
通过CFD软件对优化后的模型进行验证；
对还原蒸馏炉进行实际的结构加固，包括：
通过3D打印对还原蒸馏炉进行实际的结构加固。
应当注意，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
进一步地，请参考图2，图2示出了本申请一个实施例的一种基于拓扑优化的还原蒸馏炉加固系统，该系统包括：
收集模块210，用于收集还原蒸馏炉在不同工况下的温度、压力和流速数据；
建立模块220，用于根据不同工况下的温度、压力和流速数据，建立还原蒸馏炉的结构和热力学模型；
优化模块230，用于通过拓扑优化算法对模型进行优化；
加固模块240，用于对优化后的模型进行验证，若验证合格，则根据优化结果，对还原蒸馏炉进行实际的结构加固。
应当理解，系统200中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于系统200及其中包含的单元，在此不再赘述。系统200可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。系统200中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，该方法包括：
S1：收集还原蒸馏炉在不同工况下的温度、压力和流速数据；
S2：根据不同工况下的温度、压力和流速数据，建立还原蒸馏炉的结构和热力学模型；
S3：通过拓扑优化算法对模型进行优化；
S4：对优化后的模型进行验证，若验证合格，则根据优化结果，对还原蒸馏炉进行实际的结构加固。
2.根据权利要求1所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述步骤S1包括：
将多个传感器设置在还原蒸馏炉上的预定位置；
通过多个传感器获取还原蒸馏炉在不同工况下的温度、压力和流速数据。
3.根据权利要求2所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述通过多个传感器获取还原蒸馏炉在不同工况下的温度、压力和流速数据，包括：
将多个传感器获取的数据通过预设数据处理算法处理后获取还原蒸馏炉在不同工况下的温度、压力和流速数据，其中，所述预设数据处理算法包括统计分析法、数据过滤或机器学习法。
4.根据权利要求1所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述S2包括：
将不同工况下的温度、压力和流速数据输入到深度学习模型中，通过深度学习模型建立还原蒸馏炉的结构和热力学模型。
5.根据权利要求4所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述将不同工况下的温度、压力和流速数据输入到深度学习模型中，包括：
将不同工况下的温度和流速输入到热力学模型中，将不同工况下的压力输入到结构模型中。
6.根据权利要求5所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述热力学模型包括：热传导模型和能量守恒模型，其中，热传导模型为，其中，q为热流密度，k为热导率，/>为温度梯度；
能量守恒模型为： =/>+/>，其中，ρ为密度，Cp为比热容，T为温度，t为时间，Q为单位体积内的热源项；
所述将不同工况下的温度和流速输入到热力学模型中包括：
将不同工况下的温度输入到能量守恒模型中，将不同工况下的流速输入到热传导模型中。
7.根据权利要求5所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述结构模型为σ=Eε，其中，σ是应力，E是材料的弹性模量，ε是应变。
8.根据权利要求1所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述S3包括：
通过遗传算法、蚁群优化算法对模型进行优化。
9.根据权利要求1所述的一种基于拓扑优化的还原蒸馏炉加固方法，其特征在于，所述对优化后的模型进行验证，包括：
通过CFD软件对优化后的模型进行验证；
所述对还原蒸馏炉进行实际的结构加固，包括：
通过3D打印对还原蒸馏炉进行实际的结构加固。
10.一种基于拓扑优化的还原蒸馏炉加固系统，其特征在于，该系统包括：
收集模块，用于收集还原蒸馏炉在不同工况下的温度、压力和流速数据；
建立模块，用于根据不同工况下的温度、压力和流速数据，建立还原蒸馏炉的结构和热力学模型；
优化模块，用于通过拓扑优化算法对模型进行优化；
加固模块，用于对优化后的模型进行验证，若验证合格，则根据优化结果，对还原蒸馏炉进行实际的结构加固。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410261411.XA CN117852420B (zh) | 2024-03-07 | 2024-03-07 | 一种基于拓扑优化的还原蒸馏炉加固方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410261411.XA CN117852420B (zh) | 2024-03-07 | 2024-03-07 | 一种基于拓扑优化的还原蒸馏炉加固方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117852420A true CN117852420A (zh) | 2024-04-09 |
| CN117852420B CN117852420B (zh) | 2024-05-28 |
Family
ID=90533077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410261411.XA Active CN117852420B (zh) | 2024-03-07 | 2024-03-07 | 一种基于拓扑优化的还原蒸馏炉加固方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117852420B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184271A (zh) * | 2010-12-31 | 2011-09-14 | 东莞市民兴电缆有限公司 | 一种基于热流耦合分析技术的硫化炉的设计方法 |
| CN108256215A (zh) * | 2018-01-15 | 2018-07-06 | 广东省智能制造研究所 | 一种基于结构拓扑优化的龙门加工中心滑枕及其优化设计方法 |
| US20200401748A1 (en) * | 2019-06-24 | 2020-12-24 | Front End Analytics | Apparatus and method for simulating systems |
| US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
| CN115248960A (zh) * | 2022-07-18 | 2022-10-28 | 四川启睿克科技有限公司 | 一种冰箱蒸发器连续翅片优化方法以及冰箱蒸发器 |
| CN115392094A (zh) * | 2022-09-23 | 2022-11-25 | 湖南大学 | 一种基于热力耦合的涡轮盘结构优化方法 |
| CN115422804A (zh) * | 2022-09-05 | 2022-12-02 | 中车长春轨道客车股份有限公司 | 基于拓扑优化的导冷结构设计方法和装置 |
| CN115688296A (zh) * | 2022-09-08 | 2023-02-03 | 重庆大学 | 电主轴冷却水套结构拓扑优化方法 |
| CN115795725A (zh) * | 2022-11-21 | 2023-03-14 | 山西平阳煤机装备有限责任公司 | 一种基于拓扑优化的液压支架设计流程及优化方法 |
| CN115994475A (zh) * | 2023-03-22 | 2023-04-21 | 顺特电气设备有限公司 | 基于多工况拓扑优化的变压器外壳设计方法及变压器外壳 |
| CN116227350A (zh) * | 2023-03-06 | 2023-06-06 | 西安热工研究院有限公司 | 锅炉多目标优化方法及装置 |
-
2024
- 2024-03-07 CN CN202410261411.XA patent/CN117852420B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184271A (zh) * | 2010-12-31 | 2011-09-14 | 东莞市民兴电缆有限公司 | 一种基于热流耦合分析技术的硫化炉的设计方法 |
| CN108256215A (zh) * | 2018-01-15 | 2018-07-06 | 广东省智能制造研究所 | 一种基于结构拓扑优化的龙门加工中心滑枕及其优化设计方法 |
| US20200401748A1 (en) * | 2019-06-24 | 2020-12-24 | Front End Analytics | Apparatus and method for simulating systems |
| US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
| CN115248960A (zh) * | 2022-07-18 | 2022-10-28 | 四川启睿克科技有限公司 | 一种冰箱蒸发器连续翅片优化方法以及冰箱蒸发器 |
| CN115422804A (zh) * | 2022-09-05 | 2022-12-02 | 中车长春轨道客车股份有限公司 | 基于拓扑优化的导冷结构设计方法和装置 |
| CN115688296A (zh) * | 2022-09-08 | 2023-02-03 | 重庆大学 | 电主轴冷却水套结构拓扑优化方法 |
| CN115392094A (zh) * | 2022-09-23 | 2022-11-25 | 湖南大学 | 一种基于热力耦合的涡轮盘结构优化方法 |
| CN115795725A (zh) * | 2022-11-21 | 2023-03-14 | 山西平阳煤机装备有限责任公司 | 一种基于拓扑优化的液压支架设计流程及优化方法 |
| CN116227350A (zh) * | 2023-03-06 | 2023-06-06 | 西安热工研究院有限公司 | 锅炉多目标优化方法及装置 |
| CN115994475A (zh) * | 2023-03-22 | 2023-04-21 | 顺特电气设备有限公司 | 基于多工况拓扑优化的变压器外壳设计方法及变压器外壳 |
Non-Patent Citations (3)
| Title |
|---|
| 伏世民;仝耀天;赵明;: "基于EES的Kalina循环系统优化设计", 湖北民族学院学报(自然科学版), no. 01, 30 January 2018 (2018-01-30) * |
| 郭立新;周宏扬;: "车架结构二次拓扑优化设计与性能分析", 东北大学学报(自然科学版), no. 07, 15 July 2017 (2017-07-15) * |
| 龙江启;张轶波;周建锡;郑金品;庞继红;: "基于响应面法的全地形车排气系统结构优化研究", 内燃机工程, no. 04, 15 August 2018 (2018-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117852420B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | DRNApred, fast sequence-based method that accurately predicts and discriminates DNA-and RNA-binding residues | |
| Murugan et al. | Thermal management system of lithium-ion battery packs for electric vehicles: An insight based on bibliometric study | |
| Li et al. | Construction of refined protein interaction network for predicting essential proteins | |
| CN106372329B (zh) | 材料基因工程高通量集成计算与数据管理的方法及系统 | |
| Machado-Lima et al. | Computational methods in noncoding RNA research | |
| CN105483244A (zh) | 一种基于超长基因组的变异检测算法及检测系统 | |
| Ritchie | microRNA target prediction | |
| Dwivedi et al. | Draft genome sequence of Thermus sp. strain RL, isolated from a hot water spring located atop the Himalayan ranges at Manikaran, India | |
| Cheng et al. | BitMapper: an efficient all-mapper based on bit-vector computing | |
| Chai et al. | Staem5: a novel computational approach for accurate prediction of m5C site | |
| CN117852420B (zh) | 一种基于拓扑优化的还原蒸馏炉加固方法及系统 | |
| US20120127078A1 (en) | Automatic keyboard mode selection based on input field type | |
| Zeng et al. | Rsite2: an efficient computational method to predict the functional sites of noncoding RNAs | |
| Lin et al. | Scheduling a bi-criteria flowshop manufacturing cell with sequence-dependent family setup times | |
| CN110335641B (zh) | 一种四个体组合亲缘关系鉴定方法及装置 | |
| CN108710724A (zh) | 一种计算叶盘振动可靠性的模糊双重响应面法 | |
| Li et al. | Event-based production control for energy efficiency improvement in sustainable multistage manufacturing systems | |
| CN109101731A (zh) | 基于B-distance的时变可靠性序列优化方法 | |
| Yu et al. | Comprehensive evaluation of protein-coding sORFs prediction based on a random sequence strategy | |
| CN107967411A (zh) | 一种脱靶位点的检测方法、装置及终端设备 | |
| CN115127360B (zh) | 一种窑炉余热回收再利用系统 | |
| CN112925281B (zh) | 基于数字孪生的实体制造系统部署方案的生成方法及系统 | |
| JP5407727B2 (ja) | テストデータ生成プログラム、方法及び装置 | |
| CN208000528U (zh) | 一种新型计算机机箱 | |
| CN104881293A (zh) | 一种Linux系统规则数据处理系统及方法 |
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 |