用EGS4分析9MeV行波直线加速器屏蔽系统

采用了国际上广泛使用的ＭｏｎｔｅＣａｒｌｏ模拟计算程序ＥＧＳ４对海关集装箱检测系统用加速器屏蔽系统进行了辐射模拟分析，与实际测试数据进行分析、比较，解释了特殊剂量分布的原因，提出了系统改进的参考方案。     

鞍钢矿山公司等五单位科技管理考察报告

介绍了鞍钢矿山公司等五单位的科技管理机构、流程及其管理办法，并对攀钢矿业公司科技管理工作提出了相应的建议。     

ArF准分子激光立方氮化硼薄膜的制备

采用ＡｒＦ准分子脉冲激光沉积方法（ＰＬＤ），以六方氮化硼（ｈ－ＢＮ）作靶在Ｓｉ（１００）衬底上制备氮化硼薄膜。ＸＲＤ及ＦＴＩＲ透射谱测量表明生成的氮化硼薄膜是含有少量六方氮化硼结构的立方氮化硼（Ｃ－ＢＮ）．ＡＥＳ测量表明不同条件下生成的薄膜中Ｎ与Ｂ的相对含量是不同的，最大比例近乎为１：１，薄膜的维氏显微硬度ＨＶ最大值为１５８０ｋｇ／ｍｍ２。     

某大型水电站机组非计划停运风险分析及对策

大容量水电机组非计划停运不仅会导致电量损失、增加维护成本,也会对电网系统造成很大的扰动,甚至破坏电网系统运行稳定。本文从机电设备方面,对某大型水电站可能导致机组非计划停运事故的风险进行具体分析,并提出相应的防范对策,降低机组非计划停运风险,提高电网稳定性。     

基于功能磁共振成像的人脑效应连接网络识别方法综述

人脑效应连接网络刻画了脑区间神经活动的因果效应. 对不同人群的脑效应连接网络进行研究不仅能为神经精神疾病病理机制的理解提供新视角, 而且能为疾病的早期诊断和治疗评价提供新的脑网络影像学标记, 具有十分重要的理论意义和应用价值. 利用计算方法从功能磁共振成像(Functional magnetic resonance imaging, fMRI)数据中识别脑效应连接网络是目前人脑连接组学中一项重要的研究课题. 本文首先概括了从fMRI数据中进行脑效应连接网络识别的主要流程, 说明了其中的主要步骤和方法; 然后, 给出了一种脑效应连接网络识别方法的分类体系, 并对其中一些代表性的识别算法进行了阐述; 最后, 通过对该领域挑战性问题的分析, 预测了脑效应连接网络识别未来的研究方向, 以期对相关研究提供一定的参考.     

储油罐虚拟环境建模方法研究与发展现状

储油罐虚拟环境模型的创建,有利于解决油罐内摄像头失效情况下真实清洗机器人运动状态未知的问题,是进行储油罐清洗机器人遥操作过程的关键.基于此,从结构化环境方向详细介绍了基于OpenGL、VRP、VRML、WTK虚拟环境建模研究以及基于逆向工程三维激光扫描技术研究,从非结构化环境方向描述了基于点云信息和SFM三维场景建模方法及应用;分析了储油罐虚拟环境建模的研究现状、基本步骤以及储油罐虚拟环境建模过程中待解决问题,最终提出了利用实时交互的基于点云信息三维场景建模方法进行储油罐虚拟环境建模的发展趋势.     

汕澳一号轮09MnNb钢耐蚀情况的研究

<正> 用09MnNb钢建造的“汕澳一号轮”的耐蚀性已被实践所证实,称为八年不锈的钢铁船。为查清该船耐蚀的真正原因,我们用两年的时间对“汕澳一号轮”的耐蚀性能进行了调查和试验工作。1.现场调查: (1)“汕澳一号轮”是汕头造船厂1971年底造的180吨客货轮,航行于竿山和南澳岛之间。船主甲板以下部位均系09MnNb钢板。     

家用空调器管路件根部裂漏失效分析

针对家用空调器售后出现管路件根部裂漏问题,对故障件返厂,从工艺设计、金相实验、故障复现等几个方面着手分析,确认根部裂漏原因为设计应力,在空调器生产、运输、运行过程中管路件根部出现裂漏,最终通过对管路件结构进行更改,加强管路件强度,消除应力,未再发生此类故障。     

采用不同模型预测低碳Fe–Ni合金等离子熔覆层的冲击韧性

采用等离子熔覆法在Mn13高锰钢上制备了低碳Fe-Ni合金层。以熔覆电流、喷头移动速率、离子气流量和热处理温度作为输入参数,以冲击韧性作为输出参数,建立了BP(误差反向传播)神经网络模型和粒子群算法优化(PSO)BP神经网络模型,并跟冲击韧性与热处理温度之间的线性回归模型进行对比。结果表明,线性回归模型、BP神经网络模型和PSO-BP模型的平均相对误差分别为7.06%、6.12%和3.03%。PSO-BP模型的预测结果与实测值的误差较小。     

基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法

当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法（CEEMD）去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。