排序方式: 共有41条查询结果,搜索用时 15 毫秒
1.
3.
泡沫塑料富集—硫脲解脱—原子吸收法测定含钨、钼矿石中金的分析结果严重偏低的原因在于样品预处理过程中形成的H2WO4、H2Mo O4胶状物捕集了部分Au Cl-4,导致溶液中Au Cl-4与泡沫塑料上活性基团—RNH+3的离子交换程度降低,而与Au Cl-4竞争被泡沫塑料同时吸附的WO2-4、Mo O2-4与泡沫塑料上—RNH+3结合,再次成为捕集硫脲解脱产物Au[SC(NH2)2]+2的类胶状体。通过控制样品分解溶液的酸度,加入适量Fe(Ⅲ)和NH4NO3,可确保溶液中Au(Ⅲ)的稳定性,将可能的H2WO4、H2Mo O4胶状物转化为可溶性盐;将硫脲解脱载金泡沫塑料改为无臭灰化载金泡沫塑料,确保了Au的回收率。该方法操作简便,用于国家标准物质测定,其分析结果的精密度(RSD)小于1.29%,与标准值的相对误差(RE)小于0.92%。 相似文献
4.
5.
6.
采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集.针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法.首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果.针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12%时,新模型的分类准确度可达到91%. 相似文献
7.
采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集。针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法。首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果。针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12%时,新模型的分类准确度可达到91%。 相似文献
8.
9.
基于分子动力学方法研究金属层合板轧制复合过程界面区材料的微观变形行为,从力学性能和位错运动的角度,对比研究双金属FeCrNi/Fe与单金属的压缩变形,揭示非共格界面对金属微观变形行为的影响。结果表明,双金属模型与2种单金属模型在应力-应变关系和变形行为规律方面都存在明显差异;由于复合界面的存在,变形过程中双金属模型纯Fe基体中的位错在界面附近积累,界面原子的局部剪切作用使FeCrNi基体中的位错形成变得容易,降低了FeCrNi基体的屈服强度;复合界面对于变形过程中位错传播的阻碍作用,使材料抵抗塑性变形的能力得到提高,变形过程中2种金属基体内位错密度的交替变化导致2种金属基体的变形量也对应呈现交替变化的特殊现象。 相似文献
10.