ICP-AES法测定天青石中主次量元素的研究

采用偏硼酸锂熔样,电感耦合等离子体原子发射光谱(ICP-AES)法,对天青石样品实现了一次熔样,主次量元素同时分析。对影响其光谱测量的各种因素进行了较为详细的研究,研究了实验的最佳测定条件。结果表明,方法的检出限为0.0011-0.022lμg·ml-1,回收率为92.87％-106.37％,RSD小于3.89％。该法准确、快速、简便,应用于天青石样品中主次量元素的测定,结果满意。     

两级吸收制冷循环中间压力对热力系数的影响

分析了两级吸收溴化锂制冷循环传统热力计算方法的不足，提出了通过计算中间压力来确定热力循环的方法以及中间压力的数学模型，获得了中间压力的优化计算模型。     

砂土地震液化的模糊综合评判法

根据砂土液化问题具有的模糊性和不确定性，建立了一种判别砂土液化发生可能性的模糊综合评判模型。在提出的砂土液化模糊综合评判模型中，通过综合地震烈度、标贯击数、地下水位和平均粒径等影响砂土地震液化的因素，采用梯形隶属函数并分别给出各因素隶属函数的表达式。通过工程实例计算验证了该模型的可行性，计算过程简单明了，有一定的实用价值。     

在城市燃气工程中推广使用聚乙烯（“PE”）管材

阐述了“ＰＥ”管的优点、性质、使用条件及推广的意义。     

求薄板自然频率的一种近似方法

应用加权残值法分别计算了矩形板与圆形板薄板的自然频率，分析了板的边界条件有简支与夹支两种情况，结果表明，该方法原理明确，简单易行，精度高。     

水泥砂浆塑性收缩开裂试验条件的研究

研究了约束状况，失水条件及试件厚度等因素对水泥砂浆塑性收缩开裂性能的影响。结果表明：（1）增加钢筋框中部约束或取消钢筋框均可减少砂浆塑性收缩开裂性能；底部凹凸状约束及面层铺设钢丝网可使砂浆塑性开裂有所减小，但不能消除塑性开裂现象；基本去除约束的准自由状态可使砂浆免除塑性收缩开裂。（2）失水条件对砂浆塑性收缩开裂有明显影响，灯与电网扇同时开启所形成的“风吹日晒”比单纯“风吹”、“日晒”更易于使砂浆塑性收缩开裂；加强抹面处理可使塑性收缩开裂减小，维持较长时间的洒水养护可消除塑性开裂现象。（3）增加试件厚度可减少砂浆的塑性收缩开裂，混凝土的抗塑性收缩开裂能力比砂浆强。     

ICP-AES法测定黑色石材全组分元素的研究

采用偏硼酸锂熔样,电感耦合等离子体原子发射光谱(ICP-AES)法对黑色石材实现了一次熔样、全组分同时分析。对影响其光谱测量的各种因素进行了较为详细的研究,确定了实验的最佳测定条件。结果表明,方法的检出限为0.005～0.796μg·mL-1,回收率为93.16%～107.80%,RSD小于3.79%。该法准确、快速、简便,应用于黑色石材中全组分的测定,结果满意。     

势问题的数值流形方法

以往的数值流形方法都是以最小势能原理或变分原理为基础来建立求解方程的。但在实际工程中有些实际问题,无法应用变分方法来建立数值流形方法的求解方程,必须寻找较一般的方法来推导数值流形方法的求解方程。本文研究了如何从加权残数法出发建立拉普拉斯方程数值流形方法的求解方程。通过建立拉普拉斯方程的数值流形方法,充实了数值流形方法的数学基础,并拓宽了其应用领域。最后以热传导和渗流为例,验证了本文方法的正确性。     

Mises屈服条件下简支环板的塑性极限荷载

在Mises屈服条件下，求解了外边简支内边自由环板和内外边均简支环板在均布荷载作用下的塑性极限荷载。Mises屈服条件是非线性的，文中采用加权残值法进行求解，得出了极限荷载下限解简洁的计算公式，并比较了Mises条件与最大极限弯矩条件的数值结果，结果是合理的。     

双分支特征融合网络的步态识别算法

目的 在步态识别算法中,基于外观的方法准确率高且易于实施,但对外观变化敏感;基于模型的方法对外观变化更加鲁棒,但建模困难且准确率较低。为了使步态识别算法在获得高准确率的同时对外观变化具有更好的鲁棒性,提出了一种双分支网络融合外观特征和姿态特征,以结合两种方法的优点。方法 双分支网络模型包含外观和姿态两条分支,外观分支采用GaitSet网络从轮廓图像中提取外观特征;姿态分支采用5层卷积网络从姿态骨架中提取姿态特征。在此基础上构建特征融合模块,融合外观特征和姿态特征,并引入通道注意力机制实现任意尺寸的特征融合,设计的模块结构使其能够在融合过程中抑制特征中的噪声。最后将融合后的步态特征应用于识别行人身份。结果 实验在CASIA-B （Institute of Automation,Chinese Academy of Sciences,Gait Dataset B）数据集上通过跨视角和不同行走状态两种实验设置与目前主流的步态识别算法进行对比,并以Rank-1准确率作为评价指标。在跨视角实验设置的MT （medium-sample training）划分中,该算法在3种行走状态下的准确率分别为93.4%、84.8%和70.9%,相比性能第2的算法分别提升了1.4%、0.5%和8.4%;在不同行走状态实验设置中,该算法在两种行走状态下的准确率分别为94.9%和90.0%,获得了最佳性能。结论 在能够同时获取外观数据和姿态数据的场景下,该算法能够有效地融合外观信息和姿态信息,在获得更丰富的步态特征的同时降低了外观变化对步态特征的影响,提高了步态识别的性能。