梯度铝蜂窝夹芯板的力学行为

梯度分层铝合金蜂窝板是一种有效的吸能结构,本工作在梯度铝蜂窝结构的基础上根据梯度率的概念,通过改变蜂窝芯层的胞壁长度,设计了4种质量相同、梯度率不同的铝蜂窝夹芯结构。通过准静态压缩实验,并结合非线性有限元模拟准静态及冲击态下梯度铝蜂窝夹芯结构的变形情况及其力学性能,分析对比了相同质量下梯度铝蜂窝夹芯结构在准静态下的变形模式以及冲击载荷下分层均质蜂窝结构和不同梯度率的分层梯度蜂窝结构的动态响应和能量吸收特性。结果表明:在准静态压缩过程中,铝蜂窝梯度夹芯板的变形具有明显的局部化特征,蜂窝芯的变形为低密度优先变形直至密实,层级之间的密实化应变差随芯层密度的增大而逐渐减小;在高速冲击下,梯度蜂窝板并非严格按照准静态过程中逐级变形直至密实,而是在锤头冲击惯性及芯层密度的相互作用下整体发生的线弹性变形、弹性屈曲、塑性坍塌及密实化;另外,在本工作所设计的梯度率中,当梯度率为γ₁=0.0276时,梯度蜂窝夹芯板的吸能性达到最好,相较于同等质量下的均质蜂窝夹芯板,能量吸收提高了10.63%。     

基于SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题，提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先，对原始信号进行奇异值分解(Singular Value Decomposition，SVD)处理，运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号；其次，为防止故障信息丢失，将残余信号进行麻雀算法(Sparrow Search Algorithm，SSA)优化的变分模态分解(Variational Mode Decomposition，VMD）算法处理，得到最佳的模态个数K和惩罚参数α，选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号，并对信号进行包络分析；最后，通过仿真和试验数据分析得出，该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征，为设备的状态监测和故障诊断提供理论依据。     

InP/InGaP/GaAsSb/InGaAsSb/InP双异质结双极晶体管设计北大核心

应用半导体器件的电阻电容计算理论和SILVACO ATLAS软件,在综合考虑载流子渡越时间和电阻电容延迟时间对增益截止频率的影响下设计了一种InP/InGaP/GaAsSb/InGaAsSb/InP双异质结双极晶体管(DHBT)结构。该结构中在基区与发射区之间加入P型半导体层以降低基区与发射区之间的电子势垒,并通过引入梯度渐变材料及优化掺杂分布提高基区电场、增强集电区中易趋近于零区域的电场,器件的电流增益截止频率得到显著提升。此外,还列出了InGaP和InGaAsSb材料的禁带宽度和电子亲合势、P型GaAs_(0.51)Sb_(0.49)和InGaAsSb材料的电子迁移率的近似计算公式。     

昌宁含铁低品位高泥锡石矿重-磁选工艺研究

云南昌宁锡矿石主要有用金属矿物为锡石，其次为褐铁矿等，主要脉石矿物为石英，锡主要以锡石及酸溶锡形式存在。原矿Sn品位为0.166%，?0.074 mm矿泥含量为24.61%（其中?0.019 mm矿泥含量为14.27%），属低品位、高泥、含铁难选锡石矿。本文在对该矿石进行原矿性质研究的基础上，开展了该矿的重-磁选工艺研究。结果表明:原矿破碎至?12 mm按0.212 mm粒度洗矿分级，洗矿+0.212 mm粗粒破碎至?3 mm后磨矿至?0.074 mm 55.85%与洗矿细粒?0.212 mm合并，采用螺旋溜槽预先抛尾-溜槽精矿摇床分选-摇床精矿强磁选除铁的选矿工艺流程，可以获得产率为0.21%、Sn品位为41.32%、Sn回收率为52.27%的锡精矿，及产率为0.75%、Sn品位为4.750%、Sn回收率为21.46%的锡富中矿，锡精矿与锡富中矿Sn累计回收率为73.73%，锡精矿质量达到了YS/T339-2011标准中一类VII品级精矿质量要求，较好地实现了该锡矿的分选。      

高强中空夹层钢管混凝土柱的耐火性能试验研究

针对应用高强钢与超高强混凝土的中空夹层钢管混凝土柱，开展了轴心受压柱的标准耐火试验，得到了不同截面形状、边界条件、涂料厚度、荷载比条件下该柱的耐火极限，提出了表征柱耐火性能的延性指标，探讨了高强柱与普通柱耐火性能的差异。试验结果表明:高强中空夹层钢管混凝土柱的受火时间-位移响应与普通柱相似，受火前期膨胀而后期压缩变形进一步增大达到耐火极限。参数分析表明:相同条件下，应用高强钢的中空夹层柱其耐火极限低于应用普通钢的中空夹层柱，而应用超高强混凝土的中空夹层柱其耐火极限则高于应用普通或高强混凝土的中空夹层柱。此外，该文分别基于欧洲规范4中轴心受压柱和压弯构件的常温承载力计算模型，运用材料高温力学参数，计算了该柱高温屈曲承载力与耐火极限，计算结果与试验结果吻合较好。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.