负偏压对多弧离子镀 TiN 涂层大颗粒形貌及像素分布的影响

目的分析不同负偏压下Ti N涂层表面的大颗粒数量、尺寸和面积以及像素分布,为多弧离子镀技术的工业化应用提供基础数据。方法采用多弧离子镀膜技术,以脉冲负偏压为变量,在硬质合金表面沉积Ti N涂层。用扫描电子显微镜对涂层表面形貌进行表征,并利用Image J软件对表面大颗粒的数量和尺寸进行分析,对像素分布进行统计。结果随着负偏压的增加,涂层表面大颗粒的数量先增多,后减少。负偏压为100 V时,大颗粒数量最多,为1364;负偏压为300 V时,大颗粒数量最少,为750。此外随着负偏压的增加,大颗粒所占涂层面积比逐渐减小。未加负偏压时,涂层表面大颗粒所占面积比最大,为6.9%,且此时涂层的力学性能最差;采用400 V负偏压时,涂层表面大颗粒所占面积比最小,为3.3%,且此时涂层的力学性能最好。负偏压为300 V时,亮、暗像素点的个数最多,为8302;负偏压为400 V时,亮、暗像素点的个数最少,为4067。结论当占空比为30%,沉积时间为1 h,负偏压为400 V时,获得的涂层力学性能最好,颗粒数量少且尺寸小。     

气体总流量对多弧离子镀TiN涂层表面形貌和力学性能的影响

采用多弧离子镀膜技术在硬质合金基体表面沉积TiN涂层,研究了气体总流量对TiN涂层表面形貌和力学性能的影响。通过SEM观察涂层表面形貌,利用ImageJ图像处理软件对涂层的像素分布进行统计和分析,并通过自动划痕仪和纳米压痕仪对涂层的力学性能进行表征。结果表明,随着气体总流量的增加,涂层表面大颗粒的数量和尺寸均在增加,涂层附着力先增大后减小,而显微硬度先减小后增大;当气体总流量为300mL/min时,涂层气坑数量最多,附着力最大,为106.4N;当气体总流量为100mL/min时,涂层显微硬度最大,为HV3 021。     

多弧离子镀TiN涂层的N_2/Ar流量参数研究

利用多弧离子镀在硬质合金基体上制备TiN涂层,研究了N_2/Ar流量比对TiN涂层表面大颗粒分布与力学性能的影响。通过扫描电镜观察TiN涂层的表面形貌,并利用Image J图像处理软件对大颗粒的数量和尺寸进行了分析,通过自动划痕仪和纳米压痕仪对涂层的力学性能进行表征。结果表明:随着N2流量的增加,涂层表面沉积颗粒的最大直径和平均直径逐渐减小,涂层的附着力整体呈现增加趋势,显微硬度则先增大后减小。     

建筑物外墙面裂缝产生的原因及预防措施

从砌体和水泥砂浆自身分析了建筑物外墙面裂缝产生的原因，并针对性地提出了预防措施，指出只要采取有效的预防措施，就完全能够防止外墙面裂缝的产生。     

钻孔灌注桩动力检测原理及应用

阐述了动力检测的原理，结合具体的工程实例，介绍了动力检测在实际中的应用，指出灌注桩工程的动力测试对相关工作起到了很好的指导作用，从而提高建筑工程的检测水平。     

基片偏压占空比对多弧离子镀TiAlSiN涂层形貌及力学性能的影响

目的采用多弧离子镀膜技术在硬质合金基体表面沉积TiAlSiN涂层,研究占空比参数对TiAlSiN涂层的表面形貌和力学性能的影响。方法使用扫描电子显微镜对涂层的形貌进行观察,使用自动划痕仪、纳米压痕仪对涂层的力学性能进行检测。结果占空比在10%~70%范围内增加,离子轰击得到加强,涂层表面得到很好的改善,大颗粒与微坑缺陷数量逐渐减少。当占空比增大到90%时,大颗粒和微坑缺陷数量反而增多。结论随着占空比的增加,纳米硬度、弹性模量和涂层结合力均先增大后减小,占空比为50%时,分别达到最大值48.15 GPa、518.24 GPa、50.55 N。     

建筑物裂缝常规的处理方法探讨

大量建筑物的不断涌现,有一小部分建筑物由于种种原因,出现了形态各异的裂缝,影响了人们的生活,也给建筑物的安全带来了隐患.裂缝处理这一课题不知不觉的出现在人们面前.裂缝大致可分为非结构裂缝和结构裂缝两种类型.为保证出现裂缝构件的安全使用,针对不同情况,采取不同的加固处理措施,可使建筑物在设计基准期内和正常使用条件下,其可靠性能够得到满足.     

通用虚拟仪器前面板运行平台设计

随着科学技术的进步,测量仪器技术逐渐向虚拟仪器技术方向发展,开发简单、通用、可拓展已成为虚拟仪器开发的重要指标.为了解决目前市面上虚拟仪器前面板开发软件不易于拓展、运行效率较低的问题,提出了一种通用虚拟仪器前面板的运行平台的实现方法,其主要原理是:界面组件化,前面板界面由组件组合而成,仪器组件以jar包形式存在,方便拓展,平台加载不同的仪器脚本,即可生成不同的虚拟仪器.提出了一种基于观察者模式的一对多的数据交换机制,方便组件间通讯,也可拓展与外部系统通讯.信号发生显示器的例子证明了该通用仪器前面板运行平台的可行性.     

改进的HMM模型在特征抽取上的应用

目前,对情感分类常用的特征抽取方法是基于词典的向量空间模型（VSM）,潜在的语义分析（LSA）和基于无监督算法的词嵌入（word2vec）,和随机词向量法,这些方法都是对单个词语进行处理。本文通过哈工大词云对采集的豆瓣评论数据集进行语义角色进行的标记以后,采用了改进的隐马尔科夫模型（MHMM）对词对向量进行特征构建,并将其作为一个序列片段作为长短记忆门（LSTM）的输入,最后使用softmax函数对动态循环神经网络输出的序列进行分类,本次实验使用了交叉熵作为优化函数,采用了随机梯度下降法对优化函数进行迭代产生最优解,实验结果证明了该方法对豆瓣影评数据进行情感分类产生了更好的效果。