论城市山水画的艺术魅力

城市山水画概念的提出虽只有短短的二十多年,但随着社会、经济、文化的发展,城市山水画作为一个崭新的绘画题材越来越受到业界人士的关注。城市山水画作为传统山水画的一个分支,丰富了现代化人文都市的艺术意境,满足了人们的精神需求。该文阐述城市山水画的概念和发展历程,结合相关实例,分析当下城市山水画的艺术魅力,以促进城市山水画的发展。     

回弹检测法检测混凝土强度相关问题的探讨

本文就当前社会人们对建筑安全水平和质量要求不断提高的背景下,对回弹检测法检测混凝土强度的相关问题进行探讨,并以此推动回弹法检测混凝土强度行业标准的规范化发展进程,希望能够给从事相关行业的工作者提供帮助。     

Morondava盆地西部侏罗纪断陷盆地构造特征

系统分析了Morondava盆地西部侏罗纪断陷盆地构造特征,实可分为东部断陷带、中部断裂构造带和西部侏罗系残留斜坡带,可能存在有断鼻型、背斜型、地层剥蚀尖灭型、断块型、古潜山及岩性圈闭。     

P91钢管道异常低硬度部位的组织和性能

对电厂运行过程中发现的P91钢主蒸汽管道的低硬度部位进行了微观组织观察、短时力学性能试验和高温持久强度试验,分析了其硬度偏低的原因。结果表明,低硬度区域P91钢组织为铁素体+析出物,位错密度较低,M₂₃C₆相在晶界处粗化聚集,同时析出新相Laves相,使得P91钢的短时力学性能和高温持久强度下降严重。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

矩形薄壁容器的有限元计算

针对矩形薄壁容器,分析了其常规设计方法的不足。为了满足结构的刚性要求,保证结构安全可靠,提出了用有限元分析方法进行计算分析。以矩形下料仓为例,利用ANSYS有限元软件对其进行应力计算及分析。结果表明,该方法设计的薄壁容器在指定的工作状况下满足结构强度要求,且评定依据较常规设计方法更为可靠。     

基于弥散燃料颗粒开裂的金属基体裂纹特征模型

金属基弥散燃料元件在特殊工况下会发生表面起泡失效。燃料颗粒开裂是金属基体开裂的前提条件，只有当金属基体开裂后元件才会发生表面起泡。燃料颗粒开裂后，裂纹宽度和塑性区长度等裂纹特征决定了金属基体开裂行为。基于弹塑性断裂力学和应力平衡条件，建立了基于弥散燃料颗粒开裂的金属基体裂纹特征模型。计算结果表明：裂纹张开位移随退火温度和燃耗深度的升高而增加；裂纹尖端塑性区长度主要与退火温度相关。裂纹张开位移和塑性区长度的计算结果与实验数据均符合较好，验证了金属基体裂纹特征模型的有效性。     

球团矿矿相显微结构鉴别特征分析

为了帮助球团矿矿相鉴别初学者快速和准确的识别球团矿的矿相和显微结构,总结和分析了球团矿矿相在显微镜下和扫描电镜-能谱分析中的鉴定主特征信息。对光学显微镜下球团矿的主要矿相呈现的形状、位置、光学组织颜色等特征进行了区分和识别,同时利用扫描电镜-能谱分析对不同球团矿矿相进行了能谱特征对比,探讨了不同矿相呈现的能谱特征的区别。