Preparation and electrochemical characterization of Ti-based amorphous metallic glass with high strength

Ti-based amorphous metallic glasses have excellent mechanical, physical, and chemical properties, which is an important development direction and research hotspot of metal composite reinforcement. As a stable, simple, efficient, and large-scale preparation technology of metallic powders, the gas atomization process provides an effective way of preparing amorphous metallic glasses. In this study, the controllable fabrication of a Ti-based amorphous powder, with high efficiency, has been realized by using gas atomization. The scanning electron microscope, energy-dispersive spectrometer, and X-ray diffraction are used to analyze surface morphology, element distribution, and phase structure, respectively. A microhardness tester is used to measure the mechanical property. An electrochemical workstation is used to characterize corrosion behavior. The results show that as-prepared microparticles are more uniform and exhibit good amorphous characteristics. The mechanical test shows that the hardness of amorphous powder is significantly increased as compared with that before preparation, which has the prospect of being an important part of engineering reinforced materials. Further electrochemical measurement shows that the corrosion resistance of the as-prepared sample is also significantly improved. This study has laid a solid foundation for expanding applications of Ti-based metallic glasses, especially in heavy-duty and corrosive domains.     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

一株产羧酸酯酶菌的鉴定及酯酶特征的研究

目的:鉴定中国白酒发酵过程中的微生物种类，研究关键酶的特征与作用机制有利于提高白酒的优质品率。方法:本研究用形态学和生理学、16S rRNA、gyr B基因和antiSMASH分析的方法对酒曲中的一株微生物进行了验证；对该菌株的特性进行了研究，采用分子建模的方法获得了羧酸酯酶的3D模型，用分子对接的方法探讨了该菌株的羧酸酯酶的机理。结果:该菌株为产羧酸酯酶的革兰氏阴性菌Pb1（MW580690）；该菌株呈现典型的S型生长曲线，产物曲线为S型，羧酸酯酶活化最优pH范围为5.0~9.0。分子对接结果显示Phe21A为该酶具有催化活性的主要氨基酸，水解三丁酸甘油酯为丁酸和甘油。分子对接结果显示三丁酸甘油酯经过构象变化被转移到催化中心后，进一步被加工；酶的亲水性和疏水性的相互作用表面有利于配体向下转移，进而从疏水性通道释放产物到的酶表面。结论:产羧酸酯酶的菌株为贝莱斯芽胞杆菌，并为羧酸酯酶水解三丁酸甘油酯类物质的底物识别、转移和催化机理提供了新的见解。     

“聚龙一号”装置四层圆盘锥磁绝缘传输线的三维粒子模拟研究

介绍了"聚龙一号"中四层圆盘锥磁绝缘传输线(MITL)的基本理论。在CPIPIC平台上,采用非均匀网格和周期性对称边界条件,建立了"聚龙一号"的四层圆盘锥MITL的三维粒子模拟模型。设置相应的参数并用并行算法模拟得到了该器件中各层在绝缘堆上和MITL中间位置的电流和汇流后的电流,并与理论和实验数据进行相互对比验证。模拟结果表明整个器件在达到磁绝缘状态后具有很高的传输效率,并与实验结果相互验证,为以后进一步的研究提供了保证。     

面部运动单元检测研究综述

面部运动单元检测旨在让计算机从给定的人脸图像或视频中自动检测需要关注的运动单元目标。经过二十多年的研究，尤其是近年来越来越多的面部运动单元数据库的建立和深度学习的兴起，面部运动单元检测技术发展迅速。首先，阐述了面部运动单元的基本概念，介绍了已有的常用面部运动单元检测数据库，概括了包括预处理、特征提取、分类器学习等步骤在内的传统检测方法；然后针对区域学习、面部运动单元关联学习、弱监督学习等几个关键研究方向进行了系统性的回顾梳理与分析；最后讨论了目前面部运动单元检测研究存在的不足以及未来潜在的发展方向。     

面向草莓抓取的气动四叶片软体抓手研制

农林业中果蔬的自动化采摘需求日趋强烈,末端抓手是实现无损采摘的关键。传统的末端抓手以刚性结构居多,现有的各种柔性抓手也存在抓取力不足、包覆性不佳等缺点。本文以草莓的无损采摘为研究对象,提出将草莓外部轮廓曲线作为设计曲线,设计了一种新型气动四叶片软体抓手。首先,对软体抓手的结构做仿真优化,提出一种安全地附着在目标物表面的设想。然后,在进行草莓表面的最小破坏应力试验的基础上,测试了软体抓手的末端力,验证了其实现无损抓取的可行性。再次,利用动态捕捉技术,研究了软体抓手叶面的弯曲变形规律。最后,选择使用弧线型气体通道的软体抓手进行了草莓抓取测试,结果证明了气动四叶片软体抓手可以实现草莓的无损抓取,抓取成功率达90%,破损率为2%,表明所研制的四叶片软体抓手用于草莓抓取时具有良好的稳定性和实用性,可用于草莓采摘的末端执行器。本研究也可为其他易损果蔬的采摘技术提供理论基础和技术支撑。     

回字形环山地建筑结构设计

中央美院青岛创业中心项目为角部重叠的回字形山地建筑,采用了框架-剪力墙结构体系.主体建筑结构总高度为54m,坐落在三个台地上,每两个相邻台地高差10m左右.掉层处采用"掉层脱开式且有拉梁"的方式进行结构布置.结合山地建筑结构的基本概念和受力特点,介绍了本项目的结构处理方式和设计难点,采用PKPM,MIDAS Building,SAUSAGE软件对结构进行了弹性反应谱法分析、弹性时程分析、动力弹塑性时程分析和抗震性能设计,同时针对各种不利因素采取了相应的加强措施,确保了结构安全.     

基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

基于Isograph的FMECA分析在潜孔钻机中的应用

为提高潜孔钻机的可靠性,利用FMECA分析方法并结合Isograph软件对潜孔钻机进行FMECA分析。通过对潜孔钻机FMECA分析,确定了潜孔钻机危害性最高的组成结构,提出了预防维护的措施,为提高潜孔钻机的可靠性提供了依据。     

基于特征融合的中文简历解析方法研究

针对基于规则和统计的传统中文简历解析方法效率低、成本高、泛化能力差的缺点，提出一种基于特征融合的中文简历解析方法，即级联Word2Vec生成的词向量和用BLSTM（Bidirectional Long Short-Term Memory）建模字序列生成的词向量，然后再结合BLSTM和CRF（Conditional Random Fields）对中文简历进行解析（BLSTM-CRF）。为了提高中文简历解析的效率，级联包含字序列信息的词向量和用Word2Vec生成的词向量，融合成一个新的词向量表示；再由BLSTM强大的学习能力融合词的上下文信息，输出所有可能标签序列的分值给CRF层；再由CRF引入标签之间约束关系求解最优序列。利用梯度下降算法训练神经网络，使用预先训练的词向量和Dropout优化神经网络，最终完成对中文简历的解析工作。实验结果表明，所提的特征融合方法优于传统的简历解析方法。