兰州化物所与美国加州大学洛杉矶分校合作制备出强收缩高能量密度水凝胶材料

环境响应型水凝胶,也称为“刺激响应”或者“智能”水凝胶,因为其高的含水量、弹性、渗透性、外界刺激响应性和大的变形等优点,被广泛应用于生物医学、软体机器人等领域。目前,大多数智能水凝胶的响应变形均凭借凝胶体内和体外渗透压的变化。然而,在这种渗透驱动机制下,凝胶材料的驱动力和响应速度间相互矛盾。要打破这个矛盾,需要从分子尺度设计并且提出一种异于传统“渗透型”水凝胶的非常规驱动机制。     

一种植物油中苯并（a）芘含量测定的固相萃取前处理方法

为了建立一种准确性高、成本低的植物油中苯并(a)芘测定的样品前处理方法，基于GB 5009.7—2016以自制氧化铝柱为固相萃取柱，采用单因素试验对称样量、洗脱剂量、洗脱流速、吸附剂存放时间、吸附剂量这5个影响植物油中苯并（a）芘洗脱的因素进行研究，优化前处理条件，并对测定方法进行考察。结果表明：优化的前处理条件为称样量0.100 0 g、洗脱剂量120 mL、吸附剂（氧化铝）量22 g、洗脱流速1滴/2 s、吸附剂存放时间少于12周；方法检出限为0.2 μg/L，样品加标回收率为94.23%～100.00%，RSD为1.20%～7.36%；同一样品测定结果与SGS测定值接近，相对平均偏差为2.36%～3.50%。说明本试验方法测定结果准确，可应用于油脂企业植物油中痕量苯并（a）芘的测定。     

应用卡尔曼滤波的激振力时域识别方法研究

激振力识别属于结构动力学中的第二类反问题,为识别振动系统的激励力,本文基于卡尔曼滤波器和最小方差估计的方法,分别建立了以系统位移和加速度为输入参数的激振力时域识别方法.推导了两种方法的识别公式,并对两种方法的识别结果和识别结果的稳健性进行了仿真分析.仿真结果表明,两种方法对噪声方差初值的设定均不敏感;以加速度幅值为输入的方法识别精度优于以位移幅值为输入的方法;以位移幅值为输入的方法识别结果稳健性较好.最后采用力锤敲击试验验证了识别方法的有效性和精度.     

50型螺旋式钢板仓卷边设备理论分析与试验

结合已有卷边设备的生产工艺和特点,研发了国内首台50型螺旋式钢板仓卷边设备,并完成了4次样机调试试验.分析了新型卷边设备关键机构的工作原理,对下轧辊调节机构进行了力学计算分析,完成了卷边孔型设计.利用显示动力学软件数值模拟了5 mm钢板的冷弯成形(卷边)过程,分析了成形过程中的等效应力和等效塑性应变.通过4次样机调试试验,将调试结果与模拟结果对比.结果 表明,折弯5 mm钢板比折弯3 mm的钢板力载荷大很多,有必要研发新型的卷边设备;卷边设备的后3个工位的应力峰值比前3个工位大,其中工位6应力峰值最大;文中的卷边孔型设计合理;卷边过程的模拟结果与试验结果一致.     

大型球铁水表壳加工工装设计与加工

针对表壳具有较多复杂曲面及三端加工特点及需求,通过对球铁水表壳的外形及加工特点进行分析,提出合理的设计加工工序方案,选用特种加工设备及专业的工装夹具.通过针对表壳外形及加工工艺特点设计专业的工装夹具达到一次装夹多工序同时加工,有效解决了传统加工工艺的多工序多道加工,提高加工效率并确保加工质量.     

拉索检测爬升装置轻量化设计与动力学性能分析

斜拉桥的自动化、智能化检测是今后的发展趋势,目前已研发的拉索检测机器人都存在质量较大的问题,很难得到工程实际应用.针对课题组前期研制的第一代爬升装置样机质量大、爬升速度较慢等问题,对其进行了受力分析与静应力分析,得出了优化的可能性.提出了零件板厚为优化参数,强度变化率为约束条件的尺寸优化模型,利用差分进化算法求取最优解,得到了机架的最优板厚,同时通过拓扑优化得到各零件最佳结构,以及通过受力分析对螺栓的尺寸与数量进行了优化.优化结果表明爬升装置减重3.9kg,减重比例达到了40％,同时机架的变形量大幅减小,强度满足要求.对优化后的爬升装置进行了动力学仿真分析,结果表明最大爬升角度达到了75度,爬升速度提升了2-4倍,其动力性得到极大的改善.     

非光滑凸问题投影型对偶平均优化方法的个体收敛性

对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性.     

淠史杭灌区量测水设施建设的实践

文章介绍了淠史杭灌区量测水工程建设布局,几种形式的量测方法在灌区的应用,提出了加强量测水设施运行管理的措施.     

基于GR4J-LSTM混合模型的洪水预报研究

为提高洪水过程预报的准确性，将概念性水文模型GR4J (modèle du Génie Ruralà4 paramètres Journalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network, LSTM)中，构建了GR4J-LSTM混合模型，并与GR4J、LSTM模型进行对比。基于2012～2019年陆水水库汛期与洪水事件相关的数据集，并结合欧洲中期天气预报中心的3 h预报降水产品，驱动GR4J-LSTM混合模型，预报陆水水库3～12 h预见期的入库流量。最后采用平均影响值(Mean Impact Value, MIV)算法评估输入变量的相对重要性。结果表明：GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力，但GR4J-LSTM混合模型的预报性能最优，既可以学习GR4J模型的产汇流过程，又提高了洪水预报的精度。研究成果可为洪水预报方案制定提供参考。