工作人员正在进行钢轨打磨 蓝志金 摄
11日零点07分,随着命令的下达,作业人员抬着打磨机快速进入作业场地。随即,钢轨打磨声划破宁静的夜空,砂轮与钢轨面摩擦出飞舞的“钢花”,工长郑立和工友们投入紧张的钢轨打磨作业。
“高速、高频次的动车组车轮与钢轨形成的撞击和摩擦,时间一久,很容易产生波浪形磨耗,以及鱼鳞纹等病害。病害加重,就会引发晃车,从而影响旅客体验。同时,及时打磨钢轨、消除病害,还能够延长钢轨的使用寿命,节约成本。”郑立介绍说。参加工作多年的郑立,不仅打磨经验丰富,有效消除钢轨病害,还能把误差控制在0.1毫米之内。
作为钢轨“整形师”,郑立和工友们在每组道岔打磨前,都要完成钢轨轮廓采集、钢轨光带调查、道岔硬度测量等7道工序。“我们每次作业,打磨角度都很小,只能增加2度左右,而且每次打磨的矢度也要控制在0.1毫米内。”打磨完成的轨面犹如明镜般光洁滑润,用手摸起来顺滑,还有一丝温热,那一束束升腾而起的火花,是他们对平安春运最走心的表达。
郑立和工友们在150分钟内,一寸寸地移动,确保打磨精准。雨水浸湿了衣裳,身上微冷,但他们的心是火热的。“我们不怕苦、不怕累,关键是能保证线路安全畅通,我们的付出就很值得。”郑立擦擦额头上的雨水,开心地说。(完)
提速近10倍!基于深度学习的全基因组选择新方法来了****** 近日,中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用,将助力深度学习在全基因组选择中的应用,为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物(Molecular Plant)》上。 全基因组选择作为新一代育种技术,通过构建预测模型,根据基因组估计育种值进行早期个体的预测和选择,从而缩短育种世代间隔,加快育种进程,节约成本,推动现代育种向精准化和高效化方向发展。 统计模型作为全基因组选择的核心,极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型,难以捕捉基因型和表型间的复杂关系。 相较于传统模型,非线性模型(如深度网络神经)具备分析复杂非加性效应的能力,人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机,深度学习算法的优化将会提高全基因组选择的预测能力。 该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料,通过创新深度学习算法框架开发了全基因组选择新方法。 与其他五种主流预测方法相比,该方法有以下优点: 可以利用多组学数据开展全基因组预测;算法设计中包含批归一化层、回调函数和校正线性激活函数等结构,可以有效降低模型错误率,提高运行速度;预测精度稳健,在小型数据集上的表现与目前主流预测模型相当,在大规模数据集上预测优势更加明显;计算时间与传统方法相近,比已有深度学习方法提速近10倍;超参数调整对用户更加友好。 该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。 学术支持 中国农业科学院作物科学研究所 记者 宋雅娟
(文图:赵筱尘 巫邓炎) [责编:天天中] 阅读剩余全文() ![]() 网投彩票地图 |