在铸造行业中，熔体流动模拟在铸件的充型过程是至关重要的，因为它涉及到确定可能产生缺陷的关键阶段，比如冷隔、夹杂或气体陷阱以及模具侵蚀。理解和准确模拟这一过程对于获得高质量铸件至关重要。传统上，人们通过大量实验来获得模具填充的经验规则，但随着计算机的发展，通过数值模拟方法来解决非线性流体流动问题已经成为可能。 铸造过程的本质是将液态金属倒入模具型腔并让其冷却凝固。在铸造过程中，充型是形成铸件的第一个阶段。在充型过程中，由于其复杂性，很多缺陷会在模具填充过程中形成。因此，了解模具填充过程对于获得高品质铸件非常重要。但因为填充模具过程的复杂性，过去人们不得不通过大量的实验来获得填充模具的经验规则。现在随着计算机技术的发展，铸造过程中熔体流动的数值模拟取得了巨大的进步。 在铸造充型的模拟中，流动现象是由一组非线性方程所控制的，通常可以通过有限元或有限差分等数值方法来求解纳维-斯托克斯方程，从而获得液体流动状态。在早期的研究中，Chorin和Teman独立提出了投影法。1972年，Patankar和Spalding提出了简单方法，之后又相继提出了simplex方法和simplet方法。 文章介绍了一个关于铸造充型过程中熔体流动模拟的计算模型，这是一个包括连续性方程和动量方程的偏微分方程组。在本文中，作者使用了分数步长法来处理动量方程。计算被分为两个步骤：使用特征有限差分方法计算中间值；利用连续性方程得到压力的泊松方程，并通过迭代方法求解。本文还分析了方程的收敛性和稳定性。 特征分数步长法是这篇文章的关键内容，它是一种处理偏微分方程组的数值方法。这种方法通过将复杂的多变量问题分解成一系列简单问题来处理。在铸造模拟的上下文中，它可以将原本难以直接求解的动量方程拆分为两个部分，分别进行计算。这样不仅能够简化计算过程，而且可以通过交替求解每个分量，逐步获得最终的数值解。 连续性方程是描述流体流动过程中的质量守恒定律，它确保流体的密度与速度场随时间变化，但总质量保持不变。动量方程则描述了流体流动中由于作用力导致的动量变化，它与流体的速度场直接相关。 本文中提到的迭代方法是指在计算过程中反复使用同一算法直至收敛到某个解的数值计算方法。对于非线性问题，迭代方法是一种强有力的求解工具，它可以用来求解泊松方程等方程，找到满足方程的数值解。 文章中还提到了收敛性和稳定性分析，这是评估数值方法性能的重要方面。收敛性指的是随着计算过程的推进，数值解是否能无限接近于准确解；稳定性则涉及到小的计算误差是否会导致解的大波动，即计算过程是否足够健壮。 整篇文章基于数学建模与数值分析的深入研究，不仅提供了铸造充型过程熔体流动模拟的新方法，同时也为相关领域的计算流体动力学（CFD）问题解决提供了理论基础和参考。通过特征分数步长法，可以更有效地对铸造过程进行模拟，从而有助于优化铸造工艺，提高铸件质量。

### 关于BS EN 62106：2001《无线电数据系统（RDS）在87.5至108 MHz VHF/FM声音广播范围内的规范》的知识点解析 #### 一、RDS简介与背景 **无线电数据系统**（Radio Data System，简称RDS）是一种为调频广播（FM）信号添加数字信息的技术。该技术最早由欧洲国家开发并在1980年代得到广泛应用。RDS系统能够在FM广播的同时传输额外的数据信息，如电台名称、节目类型、交通信息等，为听众提供更加丰富和实用的服务。 **BS EN 62106：2001**是关于RDS的一个重要标准文档，它定义了RDS系统的技术规格及其在VHF/FM声音广播频率范围87.5至108 MHz的应用规范。此标准作为RDS的前身之一，在当时对于推动RDS技术的发展起到了关键作用。 #### 二、BS EN 62106：2001的核心内容 ##### 1. **规范概述** - **适用范围**：本标准适用于87.5至108 MHz频率范围内VHF/FM声音广播的无线电数据系统。 - **技术要求**：详细规定了RDS系统的功能和技术指标，包括但不限于数据传输速率、编码格式、信号处理等。 - **测试方法**：提供了进行RDS设备性能评估的方法和程序，确保设备符合标准要求。 ##### 2. **RDS系统组成** - **发射端**：包括调制器、编码器等组件，负责将数据编码并加载到FM广播信号上。 - **接收端**：包括解码器、控制器等组件，用于从FM广播信号中提取数据，并对数据进行处理以供用户使用。 ##### 3. **关键技术要点** - **数据传输**：采用副载波方式传输数据，副载波频率通常设置在57 kHz。 - **数据格式**：使用块结构进行数据编码，每块包含多个字符，支持多种编码方式以适应不同的数据类型。 - **服务信息**：包括PI代码（Program Identification）、PS名称（Program Service）、PTY类型（Program Type）等，用于标识广播电台和服务信息。 ##### 4. **交通信息传输(TMC)** - **TMC概述**：TMC即交通消息信道（Traffic Message Channel），是RDS系统中专门用于传输交通信息的功能模块。 - **TMC服务**：通过特定的数据编码格式，实时向驾驶员提供道路拥堵、事故和其他交通事件的信息。 - **TMC应用**：广泛应用于车载收音机和导航系统中，帮助驾驶员提前规划路线，避免交通堵塞。 #### 三、实施与监管 - **标准更新**：随着技术的进步，RDS相关的标准也在不断更新和完善，例如BS EN 62106：2001替代了之前的BS EN 50067：1998。 - **标准化组织**：该标准是由**欧洲电工标准化委员会**（CENELEC）制定的，并且在英国具有同等地位的国家标准，由英国标准化协会（BSI）发布。 - **技术委员会**：在英国，该标准的制定工作由EPL/100技术委员会负责，该委员会专注于音频、视频和多媒体系统及设备的相关标准制定。 #### 四、结论 **BS EN 62106：2001**是RDS技术发展中的一个重要里程碑，不仅规范了RDS系统的各项技术细节，还促进了RDS技术在全球范围内的广泛应用。通过明确的技术要求和测试方法，确保了不同制造商生产的RDS设备能够兼容互操作，从而提升了用户体验。此外，该标准还特别强调了交通信息传输(TMC)的重要性，这对于改善道路交通状况、提高驾驶安全性具有重要意义。

SOLAR-STORM2: Solar Flare Forecasting solar storm.xlsx

基于模糊理论的城市用水量预测方法研究，刘洪波，邓特刚，用水量预测在城市供水管理中起着极其重要的作用，专家学者也对用水量预测方法进行了大量研究。预测方法的易操作性、结果的高准确

希腊电力负荷预测IPTO 此存储库包含我研究生论文的代码，该论文涉及短期负荷预测，使用希腊独立电力公司提供的每日负荷数据集，在R，RStudio，R-markdown和R-Shiny中开发了预测希腊每小时的电力负荷需求传输运营商（IPTO）-（希腊的AΔΜHΕ） 可以在亚里斯多德大学的论文库中找到我的论文的文档： : ln= ，请原谅我文档中的错误，如果发现任何错误，请通知我 ：） 库-依赖关系 数据预处理库 xlsx软件包：install.packages（'xlsx'） JSONLite ：install.packages（“ jsonlite”） lubridate ：install.packages（'lubridate'） 标题：install.packages（“标题”） 功能选择，库：install.package（“ Boruta”） 机器学习图书馆 SV

系统的（由于要用到的知识多，因此只能是大略介绍，不可能详细）。 下面是我看过的觉得比较好的几本： 230《数学建模与数学实验.第 3 版》赵静, 但琦主编 231《数学建模及其基础知识详解》王文波编著 232《数学建模方法及其应用》韩中庚编著 233《数学建模》Maurice D. Weir, (美) William P. Fox 著 二十一、“数学史”

真棒能量预测 有关能源预测的文件，代码和其他资源清单。 竞赛 文件 2020年 Ahmad，W.，Ayub，N.，Ali，T.，Irfan，M.，Awais，M.，Shiraz，M.，＆Glowacz，A.（2020年）。 使用改进的支持向量机和极限学习机进行短期电力负荷预测。 Energies，13（11），2907。 Yagli，GM，Yang，D.，Gandhi，O.，＆Srinivasan，D.（2020年）。 我们是否可以用卫星衍生的太阳辐照度证明产生单变量机器学习预测是合理的？ 应用能源，259，114122。 Yagli，GM，Yang，D.，＆Srinivasan，D.（2019年）。 使用机器学习模型进行小时自动太阳预报。 可再生与可持续能源评论，105，487-498。 Ahmed，R.，Sreeram，V.，Mishra，Y.，＆Arif，MD（2020）。 对

The dataset contains Number of Air passengers of each month from the year 1949 to 1960. We can use this data to forecast the future values and help the business. https://www.kaggle.com/datasets/abhishekmamidi/air-passengers

经济预测 包含 Python 代码，用于从 Quandl 下载社会经济数据并使用它来预测各国的实际 GDP 增长率。

需求预测在农业、电力、旅游、零售和制造企业等许多行业都具有重要意义，它在每个企业的决策中都起着至关重要的作用。 本文以机器学习为重点，调查了需求预测的各种最新方法。 机器学习技术分为三类，即时间序列分析、基于回归的方法和监督/无监督模型。 讨论了各种机器学习技术的优缺点，并比较了它们的性能指标。 对比掩盖了LSTM有一个显着的结果，但它的计算时间比任何其他方法都要高。 未来研究的另一个领域包括基于回归的方法、混合模型和集成模型。 本研究为读者提供了机器学习领域需求预测的概念。