电流互感器、电压互感器及瓷套式电容器GIM模型要求

三维模型需满足QGDW 11809-2018《输变电工程三维设计模型交互规范》、QGDW 11810.1-2018《输变电工程三维设计建模规范.第1部分:变电站(换流站)》、三维模型交深度的相关要求,三维模型应按比例(1:1)建模,电气设备模型格式采用*.GIM。

三维模型需满足以下要求:

1)本体可采用圆柱体或圆柱体与长方体的组合来表示。绝缘瓷瓶和金属法兰分别用圆柱体表示。均压环(如果有)可采用实体圆环表示。一次接线端子板采用端子板图元表示。端子箱采用长方体表示。

2)本模型关键部位包括:设备安装底面尺寸(影响设备支架尺寸)。设备本体高度(影响带电距离校验)。均压环的尺寸及安装高度(如果有)。一次接线端子板的方向及角度(影响引出导线的角度)。端子箱安装高度以及定位(影响与支架的碰撞检查)。

关键尺寸包括:设备本体尺寸、设备支架高度(如果连带支架建模)、均压环尺寸(如果有)。

3)每个设备的gim模型在解析后的模型文件不超过200kB。

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
自然语言模型、RLHF、GIM和finetuning都是深度学习中用于处理自然语言处理问题的技术。它们之间有许多相似之处,但也存在一些不同之处。 自然语言模型是一种用于预测自然语言文本中下一个单词或字符的概率的技术。它通常使用递归神经网络或卷积神经网络来训练模型,使其能够根据前面的单词或字符预测下一个单词或字符。自然语言模型常用于自然语言生成、机器翻译和语音识别等任务。 RLHF(Robustly Labeled Heterogeneous Flow)是一种用于处理自然语言文本分类的技术。它使用卷积神经网络和循环神经网络来处理文本,并通过集成多个分类器来提高鲁棒性。RLHF通常用于文本情感分析、文本分类和垃圾邮件过滤等任务。 GIM(Generative-Inference Matching)是一种用于生成式和推理式自然语言处理任务的技术。它使用一个生成模型和一个推理模型来处理文本,并通过匹配两个模型的输出来提高性能。GIM通常用于问答系统、对话系统和自然语言推理等任务。 finetuning是一种用于在预训练模型上微调特定任务的技术。它通常使用预训练的自然语言处理模型(如BERT、GPT等)来处理文本,并在特定任务上微调模型参数。finetuning通常用于文本分类、命名实体识别和情感分析等任务。 总的来说,这些技术都是用于处理自然语言处理问题的技术,但它们的具体应用和实现方式有所不同。自然语言模型和RLHF主要用于文本分类和生成,而GIM则更多地用于问答和推理,而finetuning则是一种通用的技术,可用于各种自然语言处理任务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值