《中国塑料》正文格式要求

文章以实验为主要内容的,应说明实验设备、实验条件,对实验误差的估计等。文章的撰写应便于同行重复再现所报道的内容,由于保密原因不便公开某些内容的,应在附信中向编辑说明情况。文章以数值计算为主要内容的,应给出所求解的方程、重要的计算参数、初始或边界条件,难点问题的处理等,应对方法的适用性和计算精度估计有所说明,全文统一计算精度。     

润滑油中磨损颗粒在线监测传感器研究进展*

油液监测是判断设备健康状况和提供设备故障隐患预警的有效方法。综述了用于监测润滑油中磨损颗粒的最新各类在线传感器的基本原理,包括批量磁吸附式传感器、微流体电容传感器、金属扫描传感器、双层平面线圈传感器、超声波传感器和光学传感器等,并讨论各种传感方法的优缺点以及未来发展面临的挑战;指出了高通量、高灵敏度、能区别金属与非金属磨粒、可采集磨粒图像信息的集成式传感器是未来研究的重点,集成式、智能化、无线传输的传感器是未来研发方向。     

成分配比对稀土钨电极材料组织及力学性能影响

通过固液掺杂、等静压压制、中频烧结的方法，制备了不同的氧化镧、氧化钇、氧化锆三元掺杂成分比例的钨电极材料烧结棒材，探究了不同成分配比对样品显微组织、第二相粒子分布以及宏观力学性能的影响。结果表明，氧化镧、氧化钇、氧化锆三元复合添加能够有效改善第二相粒子在钨基体中的分布形态，降低第二相在晶界的过度富集，提高钨电极材料的综合力学性能。并且当添加成分镧、钇、锆质量比为3:1:1时，材料具有最好的综合力学性能，致密度可达96.04%，显微硬度可达549.37HV0.3，抗压强度可达3785MPa，原因是此配比下第二相粒子最为细小均匀，弥散程度最高，对基体晶粒的细化作用最好，该配比下钨基体平均晶粒尺寸达到10.3μm。     

基于多通道的ICU脑血管疾病死亡风险预测模型

死亡风险预测指根据病人临床体征监测数据来预测未来一段时间的死亡风险。对于ICU病患，通过死亡风险预测可以有针对性地对病人做出临床诊断，以及合理安排有限的医疗资源。基于临床使用的MEWS和Glasgow昏迷评分量表，针对ICU病人临床监测的17项生理参数，提出一种基于多通道的ICU脑血管疾病死亡风险预测模型。引入多通道概念应用于BiLSTM模型，用于突出每个生理参数对死亡风险预测的作用。采用Attention机制用于提高模型预测精度。实验数据来自MIMIC [Ⅲ]数据库，从中提取3?080位脑血管疾病患者的16?260条记录用于此次研究，除了六组超参数实验之外，将所提模型与LSTM、Multichannel-BiLSTM、逻辑回归（logistic regression）和支持向量机（support vector machine, SVM）四种模型进行了对比分析，准确率Accuracy、灵敏度Sensitive、特异性Specificity、AUC-ROC和AUC-PRC作为评价指标，实验结果表明，所提模型性能优于其他模型，AUC值达到94.3%。     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

基于滚动摩擦作用下玉米颗粒在模拟筒仓卸料中的力链分析（网络首发、推荐阅读）

针对颗粒滚动摩擦作用对筒仓中玉米颗粒的力链空间分布进行研究，通过EDEM离散元软件建立筒仓模型与仿真玉米颗粒模型进行卸粮仿真模拟，并与筒仓卸料实验作流态对比，验证模型与仿真结果的准确性。通过对模拟仓进行切片观察和数据处理，对比分析了不同摩擦情况下力链的细观参数随时间演化规律。模拟结果表明：颗粒间摩擦系数越大，卸粮完成的最终时间越长；颗粒间滚动摩擦系数越小，颗粒由整体流转变为管状流的时间越早。对于有漏斗的筒仓来说，减小颗粒间摩擦会改变整体流和管状流之间的极限，从而增加产生管状流的面积。标准滚动摩擦系数下玉米颗粒在卸料过程中会出现起拱-塌陷效应；减小滚动摩擦，玉米颗粒卸料较稳定，未出现起拱的应力突增、以及拱塌陷的应力衰减；增大颗粒间滚动摩擦不但会增加拱效应，且出现成拱高度距离漏斗口更高。     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。