简支梁桥横向分布加载装置及板梁模型试验研究

针对一种新型桥梁横向分布加载装置和3个不同有效铰缝高度的有机玻璃板梁桥实验模型,通过对模型梁进行横向加载实验,实测横向分布分析值与铰接板法理论分析值吻合较好.实测结果表明,铰缝有效高度对板梁的横向分布略有影响,铰接板法理论对工程设计是偏安全的.该实验加载装置装拆方便,占用空间小,不受场地限制,教学效果良好,可推广应用于相关高校同类专业实验教学中.     

虚拟机Windows 10的软RAID配置与恢复

磁盘阵列(RAID)具有提高计算机读写数据的速度、实现对数据的冗余保护及保证数据存储可靠性的功能。本文介绍利用在虚拟机Windows 10客户机添加两个磁盘进行软件RAID的配置,以及模拟磁盘损坏和RAID1恢复的方法。该方法中的RAID1可以保证普通用户数据存储的可靠性,适用性强。     

东营2×1000 MW电厂总平面优化设计

针对大型机组电厂总平面设计存在的优化空间,提出了总平面布置与工艺方案之间的融合设计理念.结合东营电厂工程实际,通过采用主厂房区平面与立体空间综合布局、500 kV室外气体绝缘金属封闭组合电器(gas insulated metal-enclosed switchgear,GIS)进、出线构架合并、翻车机入厂端布置、水务设施恰当整合的优化设计方案,不仅有效减少了厂区用地面积,降低基建投资,缩短建设周期,同时节约了电厂运营成本,为提高生产效率、方便维护管理创造了有利条件,为大型机组电厂总平面设计提供了优化思路.     

纳米多孔金电化学传感器构建及其对饮品中抗坏血酸的检测

基于纳米多孔金（nanoporous gold，NPG）对抗坏血酸的强电催化氧化作用，通过酸腐蚀制备NPG，构建纳米多孔电极（NPG/GCE）检测饮料中的抗坏血酸。通过循环伏安法和差分脉冲伏安（differential pulse voltammetry，DPV）法对抗坏血酸检测条件进行优化，确定最佳检测条件为pH 4.0的柠檬酸缓冲液。在优化条件下，利用DPV法对抗坏血酸进行检测，结果表明：在6.652 8～160 μg/mL的范围内，峰电流密度与抗坏血酸质量浓度呈良好的线性关系；该电极制备简单、灵敏度高、稳定性和抗干扰能力强，对饮料中抗坏血酸的快速检测有良好的应用潜力。     

γ射线法测量高压管束间气液两相流的截面含气率分布

在立式蒸汽发生器垂直管束间的气液两相流中，截面含气率是其中一个重要参数。使用γ射线法对高温高压下垂直管束间气液两相流截面含气率的分布规律进行了实验研究。实验压力分别为5、7、9 MPa，质量流速为300 kg/(m²?s)，热力学干度的范围为0.003 ~ 0.4。实验得到了垂直管束间截面含气率随热力学干度、体积含气率和压力的变化关系；并与经典公式的计算结果对比发现，在低干度区域，实验结果与Miropolskii模型、Smith模型和Armand模型偏差较大，均大于30%，在高干度区域偏差较小；基于Armand理论，通过多元线性回归法拟合出本文工况下平均截面含气率的计算关联式，与日本核动力工程公司(NUPEC)的实验数据偏差小于15%。本研究对蒸汽发生器的结构设计和流动特性研究具有重要意义。     

单晶硅表层机械力学特性的各向异性分析

为探究挠性筋结构单晶硅材料的各向异性特性以及KOH腐蚀工艺对其力学性能的影响规律,进行纳米压痕实验,并结合原子力显微镜观察单晶硅表层3个主晶面上压痕裂纹形貌随晶向的变化规律,分析单晶硅材料表层弹性模量、硬度、断裂韧性等机械力学特性参数在(001)、(110)及(111)3个主要晶面上沿各个晶向的变化规律;分析挠性筋结构单晶硅材料(001)晶面的KOH腐蚀工艺对其材料表面机械特性的影响规律.结果表明:挠性筋单晶硅在(001)晶面上弹性模量的各向异性变化幅度明显,硬度及断裂韧性各向异性的变化幅度不大;挠性筋单晶硅在(110)晶面弹性模量和断裂韧性的各向异性变化幅度明显,硬度各向异性变化幅度不大;挠性筋单晶硅在(111)晶面硬度值、弹性模量及断裂韧性参数的变化幅度幅值均较小;确定了单晶硅表层3个晶面裂纹最易扩展的晶向方向,KOH腐蚀工艺使得单晶硅表面质量降低,腐蚀后暴露的表面微裂纹、缺陷等会使得单晶硅(001)晶面表层硬度、断裂韧性降低,从而降低了挠性筋结构的实际断裂强度.     

高能电子成像研究进展

本文通过蒙特卡罗程序EGS模拟研究了电子束与靶的相互作用，对成像束流光学进行了设计，并对束流匹配对空间分辨的影响、超快分束技术和产生横向均匀束技术等进行了模拟研究。实验验证了高能电子成像能达到μm量级的空间分辨，并可实现厚度、密度分辨及明-暗场成像等特点。同时给出了后续实验及研究计划，希望进一步提高高能电子成像性能并拓宽其应用领域。     

一种基于雷达图表示的数值型数据的CNN分类方法

卷积神经网络（convolutional neural networks， CNN）是一种广泛用于分析视觉图像的分类方法.由于数值数据存在着非线性、耦合性等复杂的空间关系，因此基于CNN的数值型数据的研究较少.本文的目的是找到一种可行的方法，将CNN的应用领域扩展到数值数据.于是提出了一种基于雷达图表示的数值型数据的CNN分类方法（Radar-CNN）.该算法首先将数值数据表示成雷达图形式，然后将其输入CNN中构建分类模型.为了进一步研究特征尺度和序列对性能的影响，提出了两种改进算法Rank Radar-CNN和SFS Radar-CNN.为了验证所提算法的有效性，引入TE化工过程数据集进行实验测试并比较，实验结果表明Radar-CNN及其改进算法具有优异的性能.