基于应力三轴度的钢框架循环加载损伤分析

为了研究在低周大应变循环作用下钢材损伤对钢构件及钢框架抗震性能的影响,该文在Bao-Wierzbicki的等效塑性应变与应力三轴度路径的基础上,提出了符合钢材微观机制的应力三轴度起始损伤准则。随后通过10组Q235钢板拉伸试验确定了钢材的损伤演化准则。为了验证这些准则在描述钢构件及框架损伤破坏方面的正确性与适用性,该文采用有限元软件ABAQUS对一组型钢梁、钢框架梁柱节点及一榀钢框架的典型循环加载试验进行了损伤模拟分析。分析结果显示,考虑损伤准则的有限元曲线与试验曲线吻合一致,能较为准确的描述钢构件及钢框架在循环加载下承载力与刚度退化的现象,并能直观地模拟各结构的损伤部位及损伤程度。该文研究为分析钢构件及钢框架在低周大应变循环作用下的性能退化提供较为便捷的方法。     

316不锈钢板坯连铸结晶器内坯壳厚度模拟

为研究连铸过程中高温区δ铁素体含量对凝固传热的影响,采用商业有限元软件ANSYS,利用单元生死技术,对316不锈钢板坯的浇注过程进行了模拟.采用2-D模型,分别计算了δ铁素体含量为0、25%、50%、75%及100%时坯壳出口温度、坯壳厚度及表面温度的变化,探讨了坯壳生长及厚度变化规律.结果表明,随着δ铁素体含量升高,坯壳出口温度升高,表面温度变化剧烈,坯壳的出口厚度减薄.     

316不锈钢连铸工艺参数对结晶器内坯壳厚度影响模拟

为研究连铸过程中拉速及过热度对凝固传热的影响,采用商业有限元软件ANSYS,对316不锈钢板坯厚度生长情况进行了模拟. 采用2-D模型,分别计算了拉速为0.4, 0.5, 0.6 m/min及过热度为30, 40, 50℃时坯壳出口温度、坯壳厚度及表面温度的变化,探讨了坯壳生长及厚度变化规律. 结果表明,拉速从0.4~0.6 m/min变化,坯壳出口温度升高83℃、坯壳的出口厚度平均减薄3.2 mm、表面温度随拉速提高而升高;过热度从30~50℃变化,坯壳出口温度升高20℃、表面温度平均升高20℃、坯壳的出口厚度平均减薄1.35 mm.     

增材制造技术在石油化工领域的应用展望

增材制造(3D打印)技术是一种集数字制造、智能制造和绿色制造于一体的革命性技术,十分契合石油化工领域的战略方针,在提升生产效率、提高制造精度、降低制造成本、提升装备质量等方面呈现出了巨大的潜力。文章阐述了国内外与增材制造相关的产业政策,指出增材制造技术已经成为各个国家提升制造业国际竞争力的重要战略手段;分析了增材制造技术特点,并重点针对石油化工领域进行了增材制造技术应用场景探讨,阐明了其在设计研发、装备修复、装备质量提升和装备减量化设计等方向的潜在优势以及在石油化工领域的发展前景。     

ZA84镁合金在半固态等温热处理过程中的组织演变

研究了ZA84镁合金在半固态等温热处理过程中的组织演变.研究结果表明,通过半固态等温热处理制备非枝晶组织ZA84合金是可能的.当ZA84合金经570℃×120 min半固态等温热处理后,可获得液相率为22%和未熔初生相颗粒尺寸为57um的非枝晶组织.ZA84合金在半固态等温热处理过程中的组织演变主要包括最初的粗化、组织分离和球化3个阶段.没有发现球状晶粒最后的粗化.     

基于支持向量机的音频分类与分割

音频分类与分割是提取音频结构和内容语义的重要手段,是基于内容的音频、视频检索和分析的基础。支持向量机(SVM)是一种有效的统计学习方法。本文提出了一种基于SVM的音频分类算法。将音频分为5类：静音、噪音、音乐、纯语音和带背景音的语音。在分类的基础上,采用3个平滑规则对分类结果进行平滑。分析了SVM分类嚣的分类性能,同时也评估了本文提出的新的音频特征在SVM分类嚣上的分类效果。实验结果显示,基于SVM的音频分类算法分类效果良好,平滑处理后的音频分割结果比较准确。     

40%肟菌酯·咪鲜胺水乳剂高效液相色谱分析

[目的]建立液相色谱法测定40%肟菌酯·咪鲜胺水乳剂的定量分析方法。[方法]以甲醇-乙腈-水(体积比为31:38:31)为流动相，使用C18色谱柱，流量为0.9 mL/min，柱温为25℃，选择230 nm波长检测。[结果]咪鲜胺和肟菌酯的相关系数分别为0.9996和0.9991，相对标准偏差均为0.3%，样品平均回收率分别为100.3%和99.79%。[结论]此方法快捷简便易操作，准确度和精密度高，线性关系良好。     

优化变分模态分解与集成机器学习的风力机滚动轴承故障分类研究

针对滚动轴承振动信号特征提取及故障分类困难这一问题，提出了一种基于鲸鱼算法(WOA)的滚动轴承特征信号提取与极限梯度提升的机器学习方法。以模态信号包络熵最小为适应度函数，对变分模态分解(VMD)层数和惩罚因子进行寻优处理。根据所得最佳分解参数对原始信号模态分解，得到各模态分量并根据能量波动法进行特征信号的筛选，最后根据模态分量建立极限梯度提升学习模型。对四类信号进行学习训练和故障分类。结果表明：WOA-VMD与XGBoost结合可以有效降低信号噪声，得到轴承的故障特征，并能够有效的识别出故障类型。