SABIC LNPTM STAT-KONTM改性料家族再添新雷达波吸收改性料产品

近日,沙特基础工业公司(SABIC)面向汽车雷达传感器领域,旗下LNP^TM STAT-KON^TM推出2款全新的雷达波吸收改性料,进一步拓展了其同类特种材料的产品系列。聚对苯二甲酸丁二醇酯(PBT)材料能够提供卓越的耐车用化学品性能。这2款以PBT为基础树脂生产的产品,可与采用PBT材料制造的雷达天线罩进行整合使用。     

电磁脉冲辐射波模拟器双锥-平面线栅天线场分布规律

双锥-平面线栅结构的水平极化辐射波天线对辐射场半宽影响较小且架设方便、易于维护，掌握该型天线场分布规律是确定模拟器场均匀区、开展电磁脉冲效应实验的前提。利用天线理论研究双锥-平面线栅天线的场分布规律，结合数值模拟和实际天线试验对理论分析结果进行验证。结果表明：在天线结构和激励电压确定的条件下，双锥中心正下方辐射电场极化分量仅与测点到源的距离相关，二者呈反比；Oxz平面内以双锥中心为圆心的圆弧上任意一点辐射电场极化分量的幅值相等，并在同一时刻达到峰值；Oxz平面内同一水平线上的测点总辐射场幅值相等，方向沿测点所在圆弧的切线方向；各辐射场分量关于Oxz平面和Oyz平面对称分布；对于实际模拟器，地面反射会使辐射场波形下降沿陡降，导致地面附近辐射场半宽变小；线栅极板会影响附近的场分布，且极板外侧4个角点处的反射相对较强，其他位置辐射场分布与理论分析一致。     

十字域去噪技术在沙漠低信噪比地区的应用

十字域去噪技术是一种三维锥体滤波,最广泛应用在针对面波噪音的去除上。古城地区由于受地表巨厚沙丘影响及地震地质条件的限制,野外采集的地震资料信噪比很低,不仅存在高能面波干扰,还存在很强的高速折射波噪音,检波点域线性干扰尤其严重。根据古城地区原始地震资料噪音特点,分别针对低速低频面波噪音和高速高频折射波噪音的设计滤波器,两次应用十字域去噪技术,在最大程度保护信号的同时,有效地去除了面波和折射波等线性干扰,提高了资料信噪比,改善了成像质量,取得了很好的效果。实际应用表明,十字域去噪技术相比传统的二维F-K滤波具有明显的优势。     

空间曲线的特征识别与高质量非均匀采样

为避免传统均匀采样方法因忽视曲线重要特征而生成不理想的采样结果,获得给定数量且由特征点和辅助点组成的采样点序列,提出基于特征识别的高质量空间曲线非均匀采样方法.首先使用抛物线插值法得到曲线上所有曲率极大值点和挠率极大值点的近似位置,经筛选后产生特征点,以更好地抓住空间曲线的轮廓特征.然后定义基于弧长、曲率和挠率加权组合的特征函数,并以此自适应地选取曲线上的辅助点.与3种主流采样方法比较的实验结果表明,该方法能够获得更高质量的采样结果且具有更好的实用性,从而进一步改善空间曲线的B样条拟合效果.     

两种Skyhook阻尼实现方式在柔性隔振平台中的对比研究

利用Skyhook 阻尼进行柔性隔振平台的主动隔振控制时，可以简单地通过调节控制增益实现对低频段隔振器模态共振响应的抑制，且不影响高频段的隔振性能。在实际使用中，Skyhook 控制有两种常见的实现方式，即积分加速度反馈和积分力反馈。为分析两种实现方式用于柔性隔振平台时所产生的减振效果的差异，基于柔性Stewart 型隔振平台，结合多个ADAMS和MATLAB联合仿真案例开展详细且直观的对比研究。结果表明，对于传统的柔性隔振平台，积分力反馈法会由于实际柔性铰链的残余刚度而不能完全抑制隔振器刚体模态的共振；并且对于有效载荷的低阶模态，同样以抑制低频刚体模态为目的而设计的积分加速度反馈主动控制比积分力反馈法有更好的阻尼效果。最后，给出了对于两种控制方式选取和相应平台设计的意见。     

CHINAPLAS携4000+展商强势回归上海 橡塑创新解决方案蓄势待发,一起先睹为快

全球橡塑高科技大展——"CHINAPLAS 2022国际橡塑展"重磅回归上海,启用36万平方米展示面积,携手4 000+家海内外的优质展商,以前沿创新科技迎接橡塑行业的全新挑战与时代机遇。第二波展品倾囊放送,助行业人士及早把握行业发展风向标。     

倾斜角影响下磁悬浮双转子系统的振动分析

针对倾斜角影响下磁悬浮双转子系统的转子振动问题，建立系统10 自由度力学模型，并推导系统的微分方程。通过MATLAB仿真软件中四阶龙格库塔法对系统微分方程进行求解，研究表明转速比和倾斜角的增大均会增大转子到达平衡位置的偏移距离，不同的是，前者会使转子的轴心轨迹变得更为复杂，而后者会增大转子的最大振动幅值。从非线性角度分析发现，转速比的增大会降低转子进入混沌运动的转速，降低系统的稳定性，而倾斜角的存在会使系统产生复杂的运动状态，但倾斜角的增大对系统的稳定性无影响。研究结果可以为磁悬浮双转子系统的设计提供一定的理论指导。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。