在介绍了双丝旁路耦合电弧熔化极气体保护焊(双丝旁路耦合电弧(Double-electrode gas metal arc welding,DE-GMAW))高效焊接工艺原理的基础之上,采用双闭环反馈解耦智能控制系统,进行双丝旁路耦合电弧GMAW高速焊接工艺试验,测量双丝旁...在介绍了双丝旁路耦合电弧熔化极气体保护焊(双丝旁路耦合电弧(Double-electrode gas metal arc welding,DE-GMAW))高效焊接工艺原理的基础之上,采用双闭环反馈解耦智能控制系统,进行双丝旁路耦合电弧GMAW高速焊接工艺试验,测量双丝旁路耦合电弧GMAW母材热输入,分析双丝旁路耦合电弧GMAW高效焊接工艺机理,并对双丝旁路耦合电弧GMAW高效焊接工艺方法进行改进,进一步研究混合气体保护下的双丝旁路耦合电弧GMAW及其熔滴过渡行为,且开发出单电源双丝旁路耦合电弧GMAW。研究表明:采用双闭环反馈解耦智能控制系统使双丝旁路耦合电弧GMAW焊接过程稳定性更好、精确度更高且响应速度更快;旁路分流是实现高效焊接的同时降低母材热输入的关键;采用混合气体保护下的双丝旁路耦合电弧GMAW能进一步提高焊接过程稳定性,单电源双丝旁路耦合电弧GMAW能形成良好的焊缝成形,且设备成本低。展开更多
目的 化学结构识别是化学和计算机视觉领域的一个重要问题,传统光学化学结构识别技术在复杂化学结构识别任务中易发生信息丢失或误识别的现象,同时又因为化学物质的结构多样性常导致其无法解析,识别效果不佳。而基于深度学习的模型通常...目的 化学结构识别是化学和计算机视觉领域的一个重要问题,传统光学化学结构识别技术在复杂化学结构识别任务中易发生信息丢失或误识别的现象,同时又因为化学物质的结构多样性常导致其无法解析,识别效果不佳。而基于深度学习的模型通常具有网络结构复杂度高、上下文信息易丢失和识别率低的问题。为此,提出一种结合注意力机制和编码器—解码器架构的化学结构识别方法。方法 首先,使用改进的ResNet50(residual network)作为特征提取器抓取表征信息;其次,使用BLSTM(bi-directional long-short term memory)作为行编码器为ResNet50提取的表征信息加强空间信息;最后,使用去填充模块和基于覆盖注意力机制的LSTM(long short-term memory)网络作为模型解码器,对化学结构图像进行解码,将编码结果解码为SMILES(simplified molecular input line entry system)序列。结果 在Indigo、ChemDraw、CLEF(Conference and Labs of the Evaluation Forum)、JPO(Japanese Patent Office)、UOB(University of Birmingham)、USPTO(United States Patent and Trademark Office)、Staker、ACS(American Chemistry Society)、CASIA-CSDB(Institute of Automation of Chinese Academy of Sciences—Chemical Structure Database)和Mini CASIA-CSDB数据集上,所提方法识别准确率分别为71.1%、70.21%、45.8%、30.3%、53.02%、58.21%、43.39%、46.3%、84.42%和85.78%,高于SwimOCSR、Image2Mol和ChemPix模型得分。结论 与其他模型相比,本文方法通过少量训练集能够获得较高的识别准确率。展开更多
文摘在介绍了双丝旁路耦合电弧熔化极气体保护焊(双丝旁路耦合电弧(Double-electrode gas metal arc welding,DE-GMAW))高效焊接工艺原理的基础之上,采用双闭环反馈解耦智能控制系统,进行双丝旁路耦合电弧GMAW高速焊接工艺试验,测量双丝旁路耦合电弧GMAW母材热输入,分析双丝旁路耦合电弧GMAW高效焊接工艺机理,并对双丝旁路耦合电弧GMAW高效焊接工艺方法进行改进,进一步研究混合气体保护下的双丝旁路耦合电弧GMAW及其熔滴过渡行为,且开发出单电源双丝旁路耦合电弧GMAW。研究表明:采用双闭环反馈解耦智能控制系统使双丝旁路耦合电弧GMAW焊接过程稳定性更好、精确度更高且响应速度更快;旁路分流是实现高效焊接的同时降低母材热输入的关键;采用混合气体保护下的双丝旁路耦合电弧GMAW能进一步提高焊接过程稳定性,单电源双丝旁路耦合电弧GMAW能形成良好的焊缝成形,且设备成本低。
文摘目的 化学结构识别是化学和计算机视觉领域的一个重要问题,传统光学化学结构识别技术在复杂化学结构识别任务中易发生信息丢失或误识别的现象,同时又因为化学物质的结构多样性常导致其无法解析,识别效果不佳。而基于深度学习的模型通常具有网络结构复杂度高、上下文信息易丢失和识别率低的问题。为此,提出一种结合注意力机制和编码器—解码器架构的化学结构识别方法。方法 首先,使用改进的ResNet50(residual network)作为特征提取器抓取表征信息;其次,使用BLSTM(bi-directional long-short term memory)作为行编码器为ResNet50提取的表征信息加强空间信息;最后,使用去填充模块和基于覆盖注意力机制的LSTM(long short-term memory)网络作为模型解码器,对化学结构图像进行解码,将编码结果解码为SMILES(simplified molecular input line entry system)序列。结果 在Indigo、ChemDraw、CLEF(Conference and Labs of the Evaluation Forum)、JPO(Japanese Patent Office)、UOB(University of Birmingham)、USPTO(United States Patent and Trademark Office)、Staker、ACS(American Chemistry Society)、CASIA-CSDB(Institute of Automation of Chinese Academy of Sciences—Chemical Structure Database)和Mini CASIA-CSDB数据集上,所提方法识别准确率分别为71.1%、70.21%、45.8%、30.3%、53.02%、58.21%、43.39%、46.3%、84.42%和85.78%,高于SwimOCSR、Image2Mol和ChemPix模型得分。结论 与其他模型相比,本文方法通过少量训练集能够获得较高的识别准确率。
