摘要：基于田野与图绘,解读丝路重镇大不里士大巴扎建筑群的形态发生过程中的空间-社会互动逻辑。通过对其空间体系、巴扎(的)人的社会组织以及巴扎生活中的时空边界与身份塑造的分析,揭示了其空间能动性、空间社会体系容变的能力,以及传统与现代的辩证关系。凝练丝路沿线城市形态发生的普遍规律,是保护和传承我国及沿线商贸城市遗产的重要方向。

摘要：质子陶瓷燃料电池(PCFCs)以质子作为载流子,具有独特的导电机制,能够在中低温度(400~700℃)下高效地将燃料中的化学能转化为电能,是一种极具发展前景的发电装置。然而,由于氧还原反应动力学迟缓,导致极化电阻占整个电池电阻的比重较大,因此,发展高活性、稳定型阴极材料或结构,对提高PCFCs性能有着重要作用,这也是当前的研究热点。通常情况下,这些阴极材料应同时具有足够高的导电率、结构稳定性、电催化活性等。本文对近年来PCFCs领域研究较多的单钙钛矿、双钙钛矿、Ruddlesden–Popper钙钛矿、尖晶石等阴极材料做了总结,并对PCFCs阴极材料在运行过程中存在的问题进行分析,包括提高阴极材料的质子传输特性和优化电解质/电极界面等,最后强调了未来PCFCs高性能阴极的可能的发展方向,为PCFCs的阴极材料设计提供了有益的参考。

摘要：质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)热电联供(combined heat and power,CHP)系统作为一种建筑供能新手段,可有效降低建筑运行能耗、推动能源绿色低碳转型。针对北方地区住宅建筑电热需求大且热电矛盾突出,全年负荷波动大等特点,以北京市为代表,利用DeST软件对住宅建筑进行负荷分析并搭建燃料电池热电联供系统模拟平台,研究不同参数对联供系统性能的影响;以负荷特性和参数分析结果为依据,设计一年不同时段下北京住宅建筑管理策略:冬季采用“以热定电”,其余季节均采用“以电定热”;与基线系统相比,在春、夏、秋、冬4个典型日中联供系统天然气耗气量分别减少了39.16%、31.63%、36.01%和14.04%,对热电联供系统用于未来建筑供能具有一定借鉴意义。

摘要：当前通过深度学习方法进行区块链智能合约分类的方法越来越流行,但基于深度学习的方法往往需要大量的样本标签数据去进行有监督的模型训练,才能达到较高的分类性能。该文针对当前可用智能合约数据集存在数据类别不均衡以及标注数据量过少会导致模型训练困难,分类性能不佳的问题,提出基于双层孪生神经网络的小样本场景下的区块链智能合约分类方法:首先,通过分析智能合约数据特征,构建了可以捕获较长合约数据特征的双层孪生神经网络模型;然后,基于该模型设计了小样本场景下的智能合约训练策略和分类方法。最后,实验结果表明,该文所提方法在小样本场景下的分类性能优于目前最先进的智能合约分类方法,分类准确率达到94.7%,F1值达到94.6%,同时该方法对标签数据的需求更低,仅需同类型其他方法约20%数据量。

摘要：电工钢又称硅钢,是一种重要的特殊钢,常被称作特殊钢中的“艺术品”,这主要是因为其加工制备流程复杂、性能影响因素繁多。其中无取向硅钢主要应用于旋转电磁场环境,为了获得优良的软磁性能,需要形成较多的{100}等有利织构,为此研究人员进行了大量探索,近年来发现一些特殊制备技术在形成大量{100}等有利织构方面有显著效果。本文综述二次轧制、斜轧、异步轧制及双辊薄带连铸四种典型特殊制备技术对无取向硅钢再结晶织构的影响规律,发现二次轧制与双辊薄带连铸均能增强λ与高斯织构,并削弱γ织构,斜轧也会增强λ织构,但对γ织构影响不大,异速异步轧制能增强η织构,而异径异步轧制对再结晶织构却基本没有影响。最后,总结目前各项特殊制备技术存在的缺陷,并提出一些发展方向,如借助斜轧原理在常规冷轧中产生更多剪切带、利用异步轧制进行二次加工以均匀化磁感等,为后续无取向硅钢的工业生产提供更多参考。

摘要：随着双碳政策的推进和可再生能源的快速发展,能源存储技术成为解决能源转型和可持续发展的关键支撑。氧化还原液流电池(RFB)是一种用于大规模储能的电化学器件,具有设计灵活、存储容量大、循环寿命长、安全性高等特点。然而受氧化还原介质分子溶解度的限制,其能量密度相对较低,同时可实用化的体系较少。为解决这一问题,基于固液氧化还原靶向反应的能量存储技术应运而生。氧化还原靶向液流电池(RTFB)在提高能量密度的同时保持良好流动性,克服了传统RFB的限制。综述了近年来该技术在材料、器件及动力学方面的研究进展,包括各种材料的特点、器件的设计及性能以及动力学过程的表征与建模。最后总结当前研究的不足之处并展望未来发展趋势。

摘要：了解油浸式电力变压器绕组的温度情况是保证其运行稳定性的关键,也是当前针对油浸式变压器数字孪生分析的必然需求。为了快速地获得变压器绕组的稳态温度,该文提出一种基于本征正交分解(proper orthogonal decomposition,POD)和包含线性多项式的径向基函数响应面法(radial basis function response surface method including linear polynomial,RBFLP)的降阶计算模型。首先,讨论POD方法的降阶特性,并设计一种基于留一法交叉验证的自适应获得快照矩阵方法,以提高计算精度及效率;其次,采用响应面方法建立POD模态系数与绕组工况的相关关系,旨在实现通过绕组工况快速获得POD模态系数,从而跳过对降阶模型的复杂非线性计算,进而高效重构绕组温度场。相关算例表明,该方法具有较好的计算精度和效率,在50组测试工况下,与全阶计算相比,误差不超过2.5 K,且总计算时间仅为1.45 s;最后,基于110 kV变压器绕组搭建温升试验平台,试验结果表明,降阶计算结果相较于试验结果,平均计算误差不超过2 K,且单步计算时间仅为0.03 s,相较于同等规模的全阶计算,计算效率有较大幅度地提升。

摘要：随着信息技术的不断创新,信息产品市场需求越来越大,免费增值模式成为信息产品开发商广泛采用的一种商业模式,如何决策产品定价及广告策略成为一个重要的研究问题。本文构建了信息产品开发商和消费者之间的博弈模型,研究了当网络效应存在时信息产品开发商的最优定价和广告策略,对比了无广告纯付费模式和免费增值模式,分析了广告收益率和网络效应强度对最优定价和广告强度、最优利润、消费者剩余和社会福利的影响。研究结果表明:免费增值模式下开发商的利润始终高于纯付费模式的利润。若网络效应强度较低,广告强度与广告收益率呈现出先减小后增大的U型关系;若网络效应强度较高,广告强度起初为零,随后关于广告收益率递增。拓展部分考虑存在开屏广告的情形,免费增值模式下的开发商利润依旧始终大于纯付费模式的利润。借助数值实验发现,开发商根据广告收益率的不同合理设计免费产品的质量可以进一步提升利润。本研究的主要贡献在于考虑了免费增值模式中广告和网络效应的作用,研究结果弥补了信息产品定价领域的研究空白,同时为信息产品开发商的决策提供了参考和建议。

摘要：针对大尺度模型发动机试验台工作时间短(~百毫秒到秒量级)和激光能量要求高(>1 mJ)的特点,常规的紫外激光系统不能满足发动机燃烧流场精细化测量需求,要求用于高频平面激光诱导荧光(PLIF)测量的紫外激光系统同时满足脉冲串时间间隔短和激光输出能量高,并且系统具有高可靠性和环境适应性。设计了一套用于真实发动机地面试验台高频PLIF测量的脉冲串紫外激光系统,能够获取有效的火焰动力学数据。脉冲串紫外激光系统采用自主研制的脉冲串模式激光器泵浦染料激光器,具备能量监测、波长监测和片光分布监测等功能,可以校正激光参数对测量结果的影响。其中脉冲串模式激光器采用电光调Q、脉冲串模式和MOPA技术,使输出的泵浦激光具有高脉冲能量(~50 mJ@532 nm)、短脉冲宽度(~10.8 ns)和较高的脉冲串频率(20 Hz)。脉冲串紫外激光系统的串时间间隔为50 ms,是国外激光器脉冲串间隔时间的1/200;系统整体转换效率为6%,紫外单脉冲能量为2.95 mJ@283 nm,是国外连续脉冲激光器典型能量值的7倍。为满足发动机地面试验台测量需求,自主集成了工程可用的高可靠性移动式10 kHz PLIF测量系统,具有抗震、防潮和防尘等功能,提升了高频PLIF系统的环境适应能力。国内首次在中国空气动力研究与发展中心的脉冲燃烧风洞上实现了大尺度模型发动机燃烧流场远距离大视场成像测量(~15 cm),获得了高信噪比的氢燃料及乙烯燃料高动态燃烧过程可视化结果。未来可结合光谱图像特征提取与分析方法对其燃烧状态和动态过程开展研究,为发动机复杂流动燃烧机理研究、CFD仿真和发动机设计水平提升提供支撑。

摘要：研究具有广泛场景适应性的自动驾驶汽车的驾驶策略,对实现安全、舒适、和谐的自动驾驶至关重要。深度强化学习以其优异的函数逼近和表示能力,在驾驶策略学习方面展示了巨大潜力。但设计适用于各种复杂驾驶场景的奖励函数极具挑战性,驾驶策略的场景泛化能力亟待提升。针对复杂驾驶场景下的奖励函数难以设计问题,考虑人类驾驶行为偏好,建立人类驾驶策略的近似似然函数模型,通过基于曲线插值的动作空间稀疏采样和近似变分推理方法,学习奖励函数的近似后验分布,建立基于贝叶斯神经网络的奖励函数模型。针对神经网络奖励函数不确定性产生的错误奖励,采用蒙特卡洛方法,对贝叶斯神经网络奖励函数不确定性进行度量,在最大化奖励函数的同时,对认知不确定性进行适当惩罚,提出基于奖励函数后验分布的不确定性认知型类人驾驶策略训练方法。采用NGSIM US-101高速公路数据集和nuPlan城市道路数据集,对所提出方法的有效性进行测试和验证。研究结果表明,基于贝叶斯逆强化学习的近似变分奖励学习方法,克服基于人工构造状态特征线性组合的奖励函数性能不佳的问题,实现奖励函数不确定性的度量,提升奖励函数对高维非线性问题的泛化能力,其学习的奖励函数及训练稳定性明显优于主流逆强化学习方法。在奖励函数中适当引入不确定性的惩罚,有利于提升驾驶策略的类人性、安全性及其训练的稳定性,提出的不确定性认知型类人驾驶策略显著优于行为克隆学习的策略和基于最大熵逆强化学习的策略。