对飞机油耗的评估，目前研究较多的主要是从飞机的性能、发动机性能设计等微观层面展开，如曹惠玲等选取飞机爬升阶段的参数，建立燃油流量监控模型[1]；祝加雄利用飞机下降阶段的参数，结合遗传算法构建了燃油模型[2]；肖佳伟等结合发动机性能参数，用编程设计了油耗的估算方法[3]，这类研究主要是基于飞机性能的改善，不能反映飞机座位数、航线距离等宏观因素与油耗的相关性，对航空公司的市场需求、节能减排等方面不能提供相应的决策依据。结合宏观指标进行航油评估主要是通过统计的方法实现，如李晓津等通过最小二乘法和岭回归法建立油耗评价岭回归方程[4]；陈静杰等应用Bootstrap统计方法建立航程油耗预测模型[5]。本文现通过对某公司的主要机型航线生产经营数据进行统计分析，从宏观层面构建一个油耗评估的模型。

1)第1种是声波探测技术，该方法属于主动探测法(图1a)，这种方法需要人为激发声发射信号，采用专用仪器接收在煤岩体中传播的声波信号，通过比较声波的到时、振幅、相位等信息就可以探知岩体受力破坏等物理力学信息。

一、数据的采集与处理

为研究宏观因素对飞机油耗的影响，本文通过对某公司的轮档小时、可供座位数、旅客人数、飞行里程、耗油量等航班运营数据进行广泛的采集和处理，对航线数据取平均值，得出某航线的平均油耗、平均可供座位数、平均轮挡时间、平均旅客人数、平均航距等指标，并以此数据进行分析。

分别对2辆货车在1127轴型下的通行记录进行整理并作可视化处理，可得到对比曲线见图3。由图3可知:正常轴型货车(车牌为PF5168)的轴重载荷曲线与参考曲线基本上一致；当疑似假轴货车(车牌为CR2721)被判定为1127轴型车辆时，其轴重载荷曲线与参考曲线差别较大，很容易判别出该货车与正常的1127轴型货车不同，稽查人员可以此为参考，对该货车进行拦截和查验，核实后依法进行处理。由此可证明,将轴重载荷曲线作为疑似假轴车辆的判别曲线具有一定的参考价值。

二、模型自变量的确定

飞机的油耗是受到多方面的宏观因素影响的，因此可将这一宏观系统视为灰色系统[6]，首先选出主要影响因素进行灰色关联度分析[7]，筛选出与油耗关联度强的因素，再进行因素间的相关性分析，最终确定模型自变量。

研究从统计学的角度展开，将不考虑气象环境、巡航高度及速度等因素对油耗的影响，因此重点考虑平均可供座位数（S）、平均轮挡时间（T）、平均旅客人数（N）和平均航距（D）四个主要因素。

 

表1 灰色关联分析结果

  

S 0.659448356

运用灰色关联分析法和相关系数法对以上4个因素与油耗之间关联性进行分析。通过对数据的处理发现观测序列的数据存在一定的离乱性，为削弱偶然因素的干扰，分辨系数ρ取值0.2648[8]，得出4个因素与航线平均油耗的灰色关联分析结果如表1，因素间相关性分析如表2。根据表1可初步选择平均可供座位数（S）和平均轮挡时间（T）为模型的自变量。由表2可知平均轮挡时间（T）和平均航距（D）具有较强的相关性，为更好地表达自变量与油耗水平间的关系，最终选取S和D两个变量为航线平均油耗评估模型的自变量。

有研究显示，在TNBC中，AR作为唯一激素受体的类型占了37%[29]，并且多数研究结果支持AR的表达与肿瘤的浸润和侵袭能力呈负相关性。在乳腺癌中，AR的阳性表达率越高，则肿瘤的组织学分级越低，肿瘤直径越短，淋巴结受累数目也越少，而且与ER和PR阳性表达也呈现正相关性[6]。

 

表2 相关性分析结果

  

S 1 0.776 0.961 0.639

三、模型的构建

设航线平均油耗为F，评估航线平均油耗模型，需分别找出F和D与S的关系。一般来说，航距与油耗是呈线性关系的，通过数据分析，如图：

  

图1 航线平均耗油量与平均航距的关系

从上图可以看出，对于昆航的两种机型，其航线平均油耗与平均航距呈明显线性关系，因此函数关系可描述为：

 

图1中航线平均油耗与随平均航距的增加不断上升，且其回归模型的回归系数a和b均随不同的可供座位数而变化，因此可以将a、b认为是可供座位数（S）的函数：

 

首先通过回归分析得出各可供座位数下，航线平均耗油量与平均航距的回归表达式，然后分别以回归表达式的斜率、截距为纵坐标，以可供座位数为横坐标，得到散点图如图2和图3：

  

图2 可供座位数对斜率a的影响

  

图3 可供座位数对截距b的影响

图2最优曲线拟合为一元四次多项式函数，图3最优曲线拟合为线性函数，由此可以得出a、b关于S的解析表达式为：

儿科临床医学人才培养是新时代非常重要的任务。医学是一门实践性很强的科学，为了更有效的开展临床实践训练，让参加住院医师规范化培训的学员学以致用，儿童保健教研室全体教师开展了陪练式现场督导教育实践模式，全程参与学员主导的采集病史，体格检查，诊断分析，儿童生长、营养、神经心理评估以及健康知识的家长宣传教育，带教老师针对各个环节进行反馈、补充。陪练式现场督导教育实践模式能够部分促进学员临床实践能力的提升，但在理论知识水平和总体临床诊疗能力、临床实践能力方面的优势并不突出，可能与学员主动学习、自我归纳与总结的能力相对较差有关，与学员长期被动学习不无关系[12]。因此，教学改革仍有必要[13]。

 

[1]曹惠玲,王晓宇.基于综合相关度的飞机油耗影响参数研究[J].中国民航大学学报,2016,2:19-22.

 

根据样本数据和式（7）利用最小二乘法求得参数[9]估计值如下：

 

四、模型的检验表

[3]肖佳伟,冷月香,赵娜,徐恒昌.基于发动机模型的无人机燃油估计算法的设计[J].计算机测量与控制,2015,3:855-857.

[2]祝加雄.基于遗传算法的下降阶段飞机油耗分析与研究[J].中国测试,2015,7:124-128.

 

表3 模型检验表

  

7.792 257.417 2012.000 8.234 5.674%

[4]李晓津,张蝶.基于岭回归法的航油消耗评价指标研究与修正[J].中国民航大学学报,2013,3:62-64.

有人说：所谓教育，就是当一个人把在学校所学全忘光后剩下的东西。如此，也可说：真正的爱情，就是当对方的财富容貌等全部失去后剩下的东西；人生的意义，就是当一个人濒临死亡时能留下的东西。

通过上述分析，联立式（1）、（5）和（6）得出航线平均油耗模型表达式：

2）推广机械精量播种技术。播种量调控在187.5 kg／hm2左右， 基本苗稳定在 3×106株 ／hm2左右，为建立合理的小麦群体打好基础。加大镇压技术的应用，培育冬前壮苗、促进根系发育，增强小麦抗倒伏能力［11］。

从表中可知，模型值与实际值的平均相对误差为3.702%，说明此评估模型有较好的准确性[10]，对航司从宏观因素上评估航油消耗并合理安排生产投入具有一定的参考意义，但本文为保证研究结果的相对准确，未将飞机性能、油品质量和发动机性能衰退等微观影响因素考虑在内，因此以此模型进行实际航线油耗评估可能会存在一定的偏差，在实际应用中还应将航司飞机实际性能考虑在内进行综合评估。

为检验模型的可用性和准确性，在处理的数据库中随机选取了20个样本数据对模型进行检验，检验表如下：

参考文献：

[5]陈静杰,李猛.小样本下基于Bootstrap的航程油耗预测方法[J].测控技术,2015,10:26-29.

[6]刘思峰,杨英杰,吴利丰.灰色系统理论及其应用（第七版）[M].科学出版社,2014.

[7]张文新.灰色关联分析及应用实例[J].军民两用技术与产品,2017,18:203.

[8]吕峰.灰色系统关联度之分辨系数的研究[J].系统工程理论与实践,1997,6:50-55.

[9]王惠文,吴载斌,孟洁.偏最小二乘回归的线性与非线性方法[M].国防工业出版社，2006.

通过激电中梯扫面测量发现，位于冬贵敖包山上发现一处规模较大的激电异常，其走向为北东，长度在500～1000 m，宽度在100～300 m。在激电异常带上共布设了8条地物化综合剖面，编号为1040—1110线，剖面方向为315°。从激电中梯剖面测量结果看（图4），明显存在一条北东向高阻、高激化的异常带，其长度控制在600-700 m，宽度50-200 m。从高精度磁法（△T）测试结果看，磁测△T值一般在-100～-300nT之间，没有发现明显的异常。这条异常带上地表岩石均遭受强烈的绢云母化、硅化作用，局部岩石碎裂，并且化探剖面显示有Ag、Mo、Pb、Sb等元素异常。

[10]杨桂元,王军.对预测模型误差的分析——相对误差与绝对误差[J].统计与信息论坛,2003,4:21-24.