对不同注塑工艺参数下长直注塑件翘曲变形进行模流分析，结果表明，浇注 远端处的翘曲变形量较大，浇注入口处的翘曲变形量较小。保压时间的增加，可 以降低塑件的翘曲变形。保压压力增加,塑件整体翘曲变形减小，尤其在浇注入 口处比较明显。熔体温度从 230°C提高到 270°C，塑件整体翘曲明显减小，特别 在浇注远端处比较明显。降低模具温度，对降低注塑件的翘曲变形有显著地效果。

本发明属于图像处理相关技术领域，其公开了一种适用于 IC 封装设备变形物体的匹配方法，其包括以下步骤:(1)提取模板图像中物 体的轮廓及目标图像中物体的轮廓;(2)获得目标拟合多边形及模板拟 合多边形;(3)建立目标图像哈希表及模板图像哈希表;(4)对目标图像 及模板图像进行粗匹配;(5)计算目标拟合多边形及模板拟合多边形的 各边中点在对应参考质心极坐标系中的位置坐标;(6)计算模板拟合多 边形及目标拟合多边形各边的梯度方向、线性变换矩阵及相似度分数; (7)所述目标图

本发明公开了一种薄壁零件的铣削变形在线测量与补偿加工方 法，包括:(1)建立薄壁零件的三维模型，获得数控代码;(2)在三维模 型中提取测量的点位;(3)基于模型进行测量路径规划;(4)对工件毛坯 进行粗加工和半精加工;(5)进行在机测量，获取所有规划的测量点位 的坐标值;(6)将获得的测量点位的坐标值与薄壁零件三维模型上对应 点进行对比，计算出实际加工工件的每个点位的坐标与三维模型上对 应点的偏差;(7)根据加工偏差施以补偿系数优化加工轨迹据此进行精 加工，得到最终的加工变形偏差及补偿值。本发明的方

锚固技术是一种有效的巷道围岩加固支护技术，在矿山、水利、隧道、岩土等工程中得到了广泛的应用。但是由于巷道围岩条件的复杂多变性，锚固作用机理尚未形成系统的理论体系，对巷道锚固支护设计的定量指导性不足，由锚固失效引发的顶板事故在国内多有发生。 本发明的目的在于提供一种半体锚固结构应力与变形场同步测试系统及测试方法，以实现锚固结构拉拔试验过程中围岩变形场与锚杆应力同步测试。 专利优势： (1) 本发明保证了锚杆沿半体锚固结构轴向拉拔，实现了锚固结构变形场与应力同步测试，提高了锚固机理研究数据获取的准确性和全面性。 (2) 本发明采用固定筒体上设置凸起圆环的方式，代替上部内置挡板固定锚固结构，使锚固结构顶部为自由面，更符合现场工程，且结构简单易行。 (3)本发明具备半体锚固结构制备及测试两项功能，增加另一半固定筒体即可进行锚固结构常规拉拔试验，在固定筒体前侧增加一个全遮挡透明前置挡板后，可进行土层锚固结构拉拔测试。

率先对表面大应力应变剧烈形变方法及其应力场和温度场分布规律进行研究，发明了表面大应力剧烈变形诱导合金化方法，为提高合金化程度和合金化深度提供试验基础，并揭示表面剧烈变形过程中温度场分布规律。在此基础上，建立了强热力耦合作用下梯度微纳组织结构的稳定化机理，并构筑梯度微纳组织结构合金化理论与方法，实现有效提升梯度微纳组织结构的稳定性，并优化表面组织性能，突破了现有梯度微纳组织结构稳定化理论与方法中强韧性不匹配问题。

成果描述：本发明申请要解决的问题是，改进预测技术，提高预测准确度。本专利利用高阶马尔科夫模型的原理提出HM-gMTD模型的一种改进，即高阶HM-gMTD模型，并通过EM算法给出相应的参数估计方法和相应的计算方法，并能够快速进行参数估计，以提高模型预测的准确度。市场前景分析：预测模型的发展在人类的经济生活方面发挥着重要的作用，尤其是马尔科夫模型，几乎在各个领域都有着非常广泛的应用。本发明着重混合转移分布模型与高阶隐马尔科夫模型的巧妙结合，构造出高阶HM-gMTD模型，然后运用EM算法，对新模型实现了主要参数的求解。最后为了衡量一个模型的好坏和对不同的模型进行比较，我们选择准则函数。模型比较的最佳准则函数，既考虑到模型对原始数据的拟合程度，又兼顾模型中所包含的待定参数的个数，并且对二者做出合理的权衡。与同类成果相比的优势分析：本发明主要是针对HM-gMTD模型的进一步改进，提出一个高阶HM-gMTD模型，使其在降低计算的复杂度的同时，提高预测的准确性。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：