专利交易市场

本发明公开了一种焦油重整催化剂及其制备参数优化方法和产氢应用；该焦油重整催化剂通过在氧化铝载体上负载镍得到，并经过等离子体体系改性。镍的负载通过对经镍前驱体溶液浸润的氧化铝载体进行焙烧实现。本发明相比常规催化剂制备方法提升了催化剂的氢气选择性，在等离子改性过程，不仅物理形貌的改变，增加了催化剂活性位点的分散度，而且提升了催化剂的氧空位，有助于提升焦油重整催化剂的使用寿命。此外，本发明利用人工智能算法将催化剂的制备条件及等离子体改性影响因素结合起来，实现全过程优化，提升了催化剂的制备高效、重复性。

本发明公开了一种用于焦油催化重整的单原子催化剂及其制备参数优化方法。该催化剂通过石墨相氮化碳表面的N位点上负载镍单原子形成；石墨相氮化碳表面的N位点通过对石墨相氮化碳进行等离子体改性形成。本发明通过等离子体改性的方式在石墨相氮化碳载体上刻蚀出N位点，并利用N位点在载体上搭载镍单原子，显著提高了所得催化剂中镍单原子的分散度，增加了配位不饱和原子的数目，促进晶格氧的迁移率，进而提高了催化剂的本征催化活性。此外，本发明在焦油处理过程中使用带有轴向匀强磁场的流化床反应器，利用本发明提供的催化剂颗粒具有铁磁性的特点，使得催化剂在反应器中形成磁链，提高流化质量，进而达到提高焦油重整制氢效率的作用。

本发明公开了一种基于分布式估计算法的深度神经网络参数优化方法及系统，包括：初始化种群，将种群中每一个个体解码为深度神经网络；对上述深度神经网络的分类能力进行评价；对种群中的个体优劣进行排序；随机产生掩码向量，根据掩码向量及统计学参数确定待求解变量本次迭代的概率分布模型；依据掩码向量与概率分布模型采样，生成新的种群个体；获得最优分布式估计算法个体；利用梯度优化算法，对分布式估计算法获得的深度神经网络模型进行微调，获得最优深度神经网络参数。本发明将分布式估计算法和深度神经网络的优化相结合，利用分布式估计算法的全局搜索能力，减少神经网络优化过程中对梯度信息的依赖。

本发明公开了一种考虑实际装配边界约束影响的机械结构件结构参数优化设计方法，包括以下步骤：步骤一：建立整体装配有限元模型；步骤二：定义结构参数优化设计变量、优化约束条件，选取优化目标性能评价指标；步骤三：进行试验设计，计算性能评价指标数据；步骤四：构建椭圆基函数神经网络函数；步骤五：构建结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型；步骤六：检验数学映射模型的精度，满足要求则进行步骤七，不满足则增加试验样本点个数，重复步骤三、五、六；步骤七：实现优化设计。该方法以机械机构件在实际工况下的性能作为优化目标性能评价指标，更符合机械结构件实际工况，使得优化设计结果更加准确可靠。

本发明公开了一种基于多目标头脑风暴的圆盘剪重叠量参数调整方法，步骤包括：步骤1：建立重叠量参数控制的数学模型；步骤2：设置实际问题和多目标头脑风暴优化策略的相关参数；步骤3：产生N组初始的PID参数；步骤4：对PID参数进行评估；步骤5：基于头脑风暴优化思想对PID参数集进行更新操作；步骤6：判断所有的PID参数个体是否已更新完成；步骤7：对外部归档集中的非劣PID参数解集进行更新；步骤8、迭代次数达到最大迭代次数，即成。本发明的方法，步骤简单，控制结果准确。

本发明公开了基于内点集域约束及高斯过程参数优化的血管建模方法，其特征在于包含以下步骤：步骤一：基于内点集域约束的血管建模；步骤二：基于高斯过程优化参数。本方法使用内点集域约束，实现内力相互作用仿真，采用动态变形方法更新变形区域，实现血管快速建模；引入机器学习思想，利用高斯分类器，通过高斯过程分类选择伸长参数、弯曲刚度参数和节点平动阻尼参数，得到可使所述模型稳定的参数集；针对这三个易受血管生物力学特性影响的参数进行高斯过程回归，确定最优参数集；该建模方法弥补了传统质点弹簧模型未考虑内力的缺陷，算法实时性好，变形仿真更加真实。