TEA脉冲N_2激光器及其应用

本文简要地介绍了TEA脉冲N_2激光器的技术参数,并用大量的实测照片和数据阐明N_2激光器在测量快速光电探测器、荧光闪烁体和光缆的时间响应、测量脉冲的脉冲线性度及传输特性方面的测量应用。     

花椒籽油品质及精炼效果研究

对不同产地或不同品种花椒籽主要组分及利用压榨法和浸出法提取的花椒籽毛油进行检测,并对花椒籽毛油精炼效果及精炼油品质进行分析研究。结果显示:4个花椒籽样品的粗脂肪含量为11.95%~25.41%,粗蛋白质含量为7.89%~11.03%,粗纤维含量为23.71%~31.27%;5个花椒籽毛油样品的酸值(KOH)为14.24~66.51 mg/g,过氧化值为9.01~31.47 mmol/kg;同一品种的花椒籽,其压榨毛油和浸出毛油的质量差别不大,但不同产地或不同品种的花椒籽,其毛油质量相差很大;所有花椒籽毛油的色泽均较深;花椒籽毛油经碱炼脱酸、吸附脱色和水蒸气蒸馏脱臭后,其酸值、过氧化值都可达到GB/T 22479—2008《花椒籽油》的质量指标,但反式脂肪酸含量较高。花椒籽毛油中不饱和脂肪酸含量在70%以上,其中亚麻酸含量为20%左右,棕榈酸含量超出国标中标识的上限值,其他脂肪酸含量均在国标范围之内。     

乙二醛-尿素树脂改性花生蛋白胶黏剂的制备

采用氢氧化钠作为变性剂,乙二醛(G)和尿素(U)作为原料合成的乙二醛-尿素(GU)树脂作为改性剂,制备改性花生蛋白胶黏剂,以提高花生蛋白胶黏剂的耐水性。在单因素实验确定GU树脂改性剂合成的最佳条件的基础上,采用正交实验对改性花生蛋白胶黏剂制备工艺条件进行优化,并通过胶合性能测试、傅里叶变换红外光谱和差示扫描量热仪,对胶黏剂的结构和胶合性能进行分析。结果显示：GU树脂改性剂合成的优化条件为乙二醛与尿素摩尔比1.4∶ 1,反应温度80 ℃,总反应时间3.5 h;最优的改性花生蛋白胶黏剂制备工艺条件为碱处理pH 10.4、花生蛋白粉质量70 g（200 mL蒸馏水）、改性剂与碱处理花生蛋白质量比16∶ 84、反应时间3 h,在此条件下制备的改性花生蛋白胶黏剂的胶合强度大于GB/T 9846—2004中对Ⅱ类胶合板的要求（≥0.7 MPa）,固体含量较碱处理花生蛋白胶黏剂降低,储存期延长。傅里叶变换红外光谱结果表明,氢氧化钠可使花生蛋白变性并暴露出更多的反应基团,GU树脂与碱处理花生蛋白形成了酯键,亲水基团减少,从而增加了耐水性;差示扫描量热仪结果表明,改性后的花生蛋白胶黏剂吸热起始峰温度和峰值温度均升高,热稳定性提高。     

工程结构的多工况离散变量优化设计

基于工程结构的单工况优化设计的数学模型,建立了工程结构的多工况优化设计数学模型;根据材料特点,将设计变量取为离散变量,提出了工程结构的多工况离散变量优化设计数学模型.对25杆空间桁架结构的优化计算,表明了该方法的可行性.     

紫外光活化低温键合研究进展

随着电子及生物医疗元器件朝着微型化、便携式及多功能性的发展,连接(电子领域内常被称为“键合”)已成为材料或结构一体化集成不可或缺的关键环节。表面活化键合避免了传统焊接工艺中的高温,能够在较低温度条件下使热膨胀差异较大的材料或结构实现可靠连接,在微电子、微机电系统、光电子及微流控芯片等制造领域极具应用潜力,其中紫外光作为一种简易高效的表面活化手段近年来备受关注。本文对紫外光活化低温键合相关的研究进展进行综述,主要介绍了紫外光的基本性质,对有机及无机材料基板表面的作用效果,总结了面向微电子、微机电系统和光电子器件制造的紫外光表面活化晶圆键合成果,以及其在微流控器件封接、医用可植入器件制备中的应用实例,最后对该键合方法的未来发展和挑战进行了展望。     

积极探索地下管线动态管理模式 促进管线信息健康发展

地下管线是城市的“生命线”,而建立全面、准确的地下管线信息对城市规划、道路设计、施工及城建改造和维护、抗震防灾、保障人民正常生活生产提供了重要依据。本文主要在积极探索地下管线动态管理模式,促进管线信息健康发展上进行了阐述。     

基于动态拘束的法兰片焊接变形数值模拟

外拘束对焊接变形的影响较大，是影响焊接变形的重要因素之一. 相比于传统的刚性拘束，动态拘束能够实时的反映外拘束力在焊接过程中的变化效果. 在两条焊缝多层多道交叉焊的情况下，建立多场耦合分析模型，利用弹簧单元模拟较低刚度夹具的变形所带来的动态拘束力效果，考虑了变形量对于拘束力的反馈. 从拘束刚度、拘束距离、初始拘束力以及拘束宽度4个因素来探讨焊件的变形情况，得出各因素下的变形规律，并利用回归分析对4个因素进行综合评价. 结果表明，4个拘束因素的增加都能不同程度的减小变形量，拘束刚度、拘束初始力、拘束宽度的影响趋势较为相似，且拘束初始力影响最大，拘束距离在其范围内影响趋势为线性，且影响性最小.     

基于拉普拉斯评分的多标记特征选择算法

针对传统的拉普拉斯评分特征选择算法只适应单标记学习,无法直接应用于多标记学习的问题,提出一种应用于多标记任务的拉普拉斯评分特征选择算法。首先,考虑样本在整体标记空间中共同关联和共同不关联的相关性,重新构建样本相似度矩阵;然后,将特征之间的相关性及冗余性判定引入拉普拉斯评分算法中,采用前向贪心搜索策略依次评价候选特征与已选特征的联合作用能力,用于评价特征的重要性;最后,在5个不同评价指标和6个多标记数据集上实验。实验结果表明：相比基于最大依赖的多标记维数约简方法（MDDM）、基于贝叶斯分类器的多标记特征选择算法（MLNB）及基于多元互信息的多标记分类特征选择算法（PMU）,所提算法不仅分类性能最优,且存在显著性优异达65%。