铝合金微弧氧化膜纳米TiO_2掺杂机理研究

在含有纳米TiO_2的电解液中对铝合金进行微弧氧化处理,用以研究掺杂纳米TiO_2对铝合金微弧氧化成膜机理及性能的影响。利用扫描电镜(SEM)观察微弧氧化膜形貌,能谱仪(EDS)分析膜层Ti、Al、O等元素含量,X射线衍射仪(XRD)分析相组成,测定膜厚、硬度和氧化液中TiO_2表面电荷,建立了掺杂改性模型。结果表明,加入纳米TiO_2后,氧化初期电压随TiO_2添加量增加逐渐升高、5min后电压逐渐降低;氧化膜表面孔洞数量和尺寸减小,成膜效率、膜层致密度和表面疏松层硬度提高。纳米TiO_2在氧化膜表面均匀分布,截面不均匀分布。氧化膜主要由γ-Al_2O_3、Mullite和少量Si组成。     

掺杂HfO2对钛合金微弧氧化膜层特性的影响

在电解液中添加HfO2对Ti-6Al-4V钛合金进行微弧氧化处理,通过表征微弧氧化膜表、截面形貌,膜层成分及电化学行为,并测量膜层厚度、硬度、粗糙度等参数来研究添加HfO2对钛合金微弧氧化膜层特性的影响。结果表明：添加HfO2后,微弧氧化膜层主要成分是Al2TiO5、TiO2和γ-Al2O3。较合适浓度的HfO2能促进成膜反应,改善微弧氧化膜的微观结构,提高膜层的厚度、硬度并降低表面粗糙度,且膜层试样具有双层膜结构,膜层试样的耐腐蚀性能好于原基体。HfO2浓度为3.0g/L时所获得的微弧氧化膜层综合性能最佳。     

基于深度学习的自然语言处理鲁棒性研究综述

近年来,基于深度神经网络的模型在几乎所有自然语言处理任务上都取得了非常好的效果,在很多任务上甚至超越了人类.展现了极强能力的大规模语言模型也为自然语言处理模型的发展与落地提供了新的机遇和方向.然而,这些在基准测试集合上取得很好结果的模型在实际应用中的效果却经常大打折扣.近期的一些研究还发现,在测试数据上替换一个相似词语、增加一个标点符号,甚至只是修改一个字母都可能使得这些模型的预测结果发生改变,效果大幅度下降.即使是大型语言模型,也会因输入中的微小扰动而改变其预测结果.什么原因导致了这种现象的发生?深度神经网络模型真的如此脆弱吗?如何才能避免这种问题的出现?这些问题近年来受到了越来越多的关注,诸多有影响力的工作都不约而同地从不同方面讨论了自然语言处理的鲁棒性问题.在本文中,我们从自然语言处理任务的典型范式出发,从数据构建、模型表示、对抗攻防以及评估评价等四个方面对自然语言处理鲁棒性相关研究进行了总结和归纳,并对最新进展进行了介绍,最后探讨了未来的可能研究方向以及我们对自然语言处理鲁棒性问题的一些思考.