目前,极紫外光被认为是制备特征尺寸小于7 nm芯片所必备的光源,激光轰击液态金属锡靶是其产生的主要方式之一.采用体积分数(volurne of fluid,VOF)方法建立了激光轰击金属锡液面产生溅射的模型,并对液料溅射和雾化的演化过程进行了数值...目前,极紫外光被认为是制备特征尺寸小于7 nm芯片所必备的光源,激光轰击液态金属锡靶是其产生的主要方式之一.采用体积分数(volurne of fluid,VOF)方法建立了激光轰击金属锡液面产生溅射的模型,并对液料溅射和雾化的演化过程进行了数值模拟,研究了冠状水花的产生机制以及雾化时的流场变化.在此基础上,进一步研究了金属液态锡在不同的能量、光斑直径和脉宽的激光轰击下溅射产生的冠的宽度和高度随时间演化情况.研究表明:在激光辐照产生的高压等离子体的高速冲击下,液膜经历快速运动、冠状射流和雾化3个阶段,液膜生长主要原因是惯性力作用;液膜上下两端存在较大的速度梯度是射流形状发生变化的主要原因;冠边缘处雾化现象的产生是由Rayleigh-Taylor和Plateau-Rayleigh不稳定性共同作用的结果.在激光轰击下,冠的高度和宽度随激光能量增加而增大,但随着时间推移,冠宽和冠高的增长速率逐渐减小;激光光斑和脉宽对冠宽及冠高的影响较为复杂,在前期影响较小,在后期冠宽及冠高随它们数值增加而减小.展开更多
针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在...针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为85.9%,比其他模型平均高出3.5%,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。展开更多
文摘目前,极紫外光被认为是制备特征尺寸小于7 nm芯片所必备的光源,激光轰击液态金属锡靶是其产生的主要方式之一.采用体积分数(volurne of fluid,VOF)方法建立了激光轰击金属锡液面产生溅射的模型,并对液料溅射和雾化的演化过程进行了数值模拟,研究了冠状水花的产生机制以及雾化时的流场变化.在此基础上,进一步研究了金属液态锡在不同的能量、光斑直径和脉宽的激光轰击下溅射产生的冠的宽度和高度随时间演化情况.研究表明:在激光辐照产生的高压等离子体的高速冲击下,液膜经历快速运动、冠状射流和雾化3个阶段,液膜生长主要原因是惯性力作用;液膜上下两端存在较大的速度梯度是射流形状发生变化的主要原因;冠边缘处雾化现象的产生是由Rayleigh-Taylor和Plateau-Rayleigh不稳定性共同作用的结果.在激光轰击下,冠的高度和宽度随激光能量增加而增大,但随着时间推移,冠宽和冠高的增长速率逐渐减小;激光光斑和脉宽对冠宽及冠高的影响较为复杂,在前期影响较小,在后期冠宽及冠高随它们数值增加而减小.
文摘针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为85.9%,比其他模型平均高出3.5%,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。
