考虑水头损失的管道灌溉分水口轮灌分组优化模型

【目的】优化灌溉系统中分水口轮灌分组的灌溉制度,在满足流量要求的条件下节约电能。【方法】提出了在考虑水头损失时不同分水口状态与管道进口压力的关系模型,该模型利用分水口开关0,1状态作为自变量,从管道末端起利用推导的递推公式求出管道进水口的等效水头损失系数。依据该模型,在定流量分组轮灌优化中得到为使分组轮灌功率最小的目标函数。利用遗传算法对上述问题进行了优化求解,并给出了编码方案。【结果】在分水口等间隔布置时,轮灌分组按轮灌分组数等间隔安排所需功率最小,优化后的水头损失系数可以减小到没有优化前的0.772倍。【结论】本研究模型不仅适用于恒定流量的组合优化,也可应用于不同分水口的所需水量不同的随机灌溉以及恒压供水的优化中。     

Performance evaluation of venturi aeration system

The venturi aeration is an effective practice to increase the dissolved oxygen accessibility in the water bodies. This study aims to optimize the various geometrical parameters of the venturi aeration system. A non-dimensional technique was applied to find the optimum performance of various geometric parameters i.e. throat lengths (t_l), number of air holes (N), and converging and diverging angles (α and β). These experiments have been carried out using 1124 L capacity of tank having dimensions of 105 cm long, 105 cm wide and 102 cm deep. The experiments were conducted at a constant flow velocity of water (1.096 m/s) with varying throat length (t_l = 20–100 mm keeping 20 mm as interval between two consecutive length), number of air holes (N = 1–17 at an equal hole to hole distance of 5 mm between them), and converging and diverging angles (α and β = 10°, 15°, 20° and 25°). Multiple non-linear regression equations were also developed from the linear relation with the dependent variable (Non-dimensional form of standard aeration efficiency, NDSAE) and independent variables (t_l and N). With the geometrically optimized venturi aerator the optimum performance was found for t_l =100 mm, N = 17, and α and β = 15°. The maximum value of standard oxygen transfer rate (SOTR) and standard aeration efficiency (SAE) obtained was 0.0216 kgO₂/h and 0.611 kgO₂/kWh respectively. From the non-dimensional study, it was found that the NDSAE is the function Reynolds number (Re) and Froude number (Fr). The simulation equations were developed on the basis of Re and Fr for NDSAE, and subjected to 7.378 × 10⁻⁶ < Re < 3.689 × 10^-5 and 0.163 < Fr < 0.817, respectively.     

水稻赖氨酸含量测定方法改进及其最优动态分类研究

赖氨酸是水稻营养成分中第一限制性氨基酸。为优化赖氨酸的测定方法,设置了本试验,通过超声振荡器取代普通振荡器,进行300W超声功率下酰化用时及染料结合反应用时的研究。结果表明,最佳酰化用时为15 min,染料结合用时为90 min。与国标法相比,优化后的方法酰化用时变长、染料结合用时变短,测定总用时明显缩短,但测定结果和试验精度更高。可见,采用超声波振荡代替传统振荡器振荡能改进赖氨酸的测定方法。另外,采用最优动态聚类法对赖氨酸含量进行分类,能防止人为分类的不确定性,做到分类方案的最优化。     

农业劳动力转移的减贫效应分析——基于重庆涪陵的实践检验

【目的/意义】农业劳动力转移的减贫效应尚未得出一致结论,基于对重庆涪陵的实践分析,探讨通过做好政策保障以提升农业劳动力转移的减贫效应。【方法/过程】以涪陵区2004-2018年的农业劳动力转移的减贫相关数据为基础,通过运用多元回归法分析涪陵区农业劳动力转移的减贫效应。【结果/结论】结果显示:提升农业劳动生产率有利于增加农民的农业收入和非农收入;缩小城乡收入差距有利于农民减贫;提高人力资本密集度有利于增强农民的挣得能力。要提升农业劳动力转移的减贫效应,这就要求:促进农业转移人口的市民化,提升农业劳动力转移的减贫效应;提高乡村自治与贫困户自我发展能力,促进农业劳动力转移的减贫动力;完善社会扶贫协作联动机制,为农业劳动力转移提供制度保障。     

文本挖掘下的话语认知与构建——以人工智能和5G领域白宫新闻文本为例

[目的/意义]政府新闻文本是政策文本的表达形式之一。对政府新闻文本进行挖掘分析,能直观的展现表面动态,揭示对话事件的立场及其背后关系,能对情报分析工作、中国新型智库的发展建设,提供有效的助力。[方法/过程]文章利用TextRank算法进行核心句提取,并结合批评话语分析理论框架来做评估,以语料驱动从关键句、关键词两个宏观角度讨论政府决策态度,以词性从话语策略的微观角度总结美国官方对人工智能和5G领域的话语认知形象。[结果/结论]通过分析可以看出,美国政府对于人工智能和5G领域的态度将持续保持在“政府引领下的美国需优先”这一局面,面对发展中国家的科技竞争,增加政府政策性文本的指导无疑是最好的对策建议。     

基于PID直流电机驱动的移动式采摘机器人设计

为了提高移动式采摘机器人的控制效率和移动精度,将直流电机驱动电路引入到采摘机器人移动控制系统的设计中,并采用PID算法对移动速度进行调节,从而避免采摘机器人在移动过程中产生较大的速度波动,提高其作业时的平稳性。为了验证PID算法在采摘机器人移动控制系统上使用的可行性,模拟葡萄采摘机器人的作业环境,对采摘机器人移动过程的速度控制进行了仿真模拟,结果表明:达到速度预定目标时,PID算法比常规算法具有更快的响应速度,调节过程也更加平稳。     

基于智能算法的猪饲料配方优化数学模型

在多种原料配比过程中，营养指标因素复杂的实际情况及控制成本保证收益的现实需求，文章结合智能算法背景，进行猪饲料配方优化设计，建立猪饲料配方模型，采用智能算法求解饲料配方的过程，对于生猪饲料配方进行建模，同时优化出饲料配方。结果表明，智能算法的猪饲料配方优化能够解决多种原料配比以及多个营养指标复杂因素，实现快速计算和生产处理，对企业生产者、销售经营者、实际消费者具有十分重大的价值与现实意义。 [关键词]智能算法|猪饲料|配方优化|数学模型     

机器学习及其在农业中应用研究的展望

机器学习是一种面向机器的数据分析方法,自动化机器学习的研究促进了人工智能的发展。大数据的快速积累,促进了机器学习算法的井喷式发展。如何选择合适的机器学习算法解决行业问题,成为了当前应用的难点。笔者整理了机器学习新材料,对各种机器算法的特点和算法之间的差异,进行了仔细的梳理,总结了各种算法的需求背景和优缺点,以及主要的应用场合。在此基础上,分析了机器学习在农业应用的案例,综述了机器学习在农业应用,指出了目前存在的发展瓶颈,并提出了进一步研究应用的建议。     

基于记忆模拟退火和A*算法的农业机器人 遍历路径规划

【目的】解决农业机器人大田作业时遍历路径规划的问题。【方法】提出一种记忆模拟退火与A*算法相结合的遍历算法。首先通过记忆模拟退火算法搜索出任务最优目标点行走顺序,然后使用A*算法进行跨区域衔接路径规划。【结果】仿真试验结果表明,该算法规划的遍历路径曼哈顿距离比传统模拟退火算法减少了9.4%,遍历路径覆盖率能达到100%,重复率控制为4.2%。【结论】记忆模拟退火通过为传统模拟退火算法增加记忆器,增强了跳出局部最优陷阱的能力,提高了算法所得解的质量。该研究结果可为农业机器人遍历路径规划提供理论基础。     

基于物联网的日光温室环境监测在线校准

[目的]温室环境条件特别是温度对于作物生长和发育具有十分显著的影响。日光温室调控的主要环境因子之一是温度。然而,自然环境下的光照对温度产生作用,影响空气温度的监测精度。大多温度传感要求将传感器置于避光处,然而实际应用中难以保证。[方法]采用机器学习中的支持向量机算法(SVM),对日光温室内的温度智能监测算法进行了研究,根据光照情况对实时监测的温度数据进行校准。[结果]通过与实验测量的数据进行对比分析,结果表明,所提出的监测方法可以较为准确地实时监测空气温度,从而无需使用隔热材料或者遮阳处理,就可以基于监测的数据更精确地对相应的环境因素进行调节。[结论]基于该方法,可采用常用的工业设备实现温室大棚内实时温度数据的监测,既可以节约设备和人力成本,又可以为温室控制提供准确的数据。