基于π-π/H-键协同作用制备含芘小分子增强高韧性石墨烯纸

轻质高强且具备高韧性的石墨烯组装材料在抗冲击防护领域有着潜在的应用价值.在这项工作中,我们通过在还原氧化石墨烯层间界面交联1-氨基芘AP和1-芘丁酸PB共轭小分子,可以获得具有高导电、高韧性的超强复合石墨烯纸(AP/PB-GPs).结果表明,超过10μm厚度的复合石墨烯纸具有超高的平均韧性(~69.67±15.3 MJ m^-3),同时抗拉伸强度接近1 GPa;尤其在抗冲击性能方面,在高速弹道冲击速度下,仍然可以获得优异的比穿透能量吸收值(~0.17 MJ kg^-1).详细的界面和结构分析表明,界面增强是由相邻石墨烯层间与共轭分子之间的π-π相互作用和氢键连接共同决定的.尤其是石墨烯纳米片内的孔洞及边缘缺陷更有利于共轭小分子充分的吸附,这必然会使界面结合最大化,在连续高的加载应力下能够有效促进裂纹的偏转和塑性变形.密度泛函理论(DFT)模拟表明,石墨烯纳米片边缘的–COOH极性官能团与AP/PB分子表面的–NH₂、–COOH之间的耦合对氢键网络的形成起着关键作用.     

等离子体活化水对青椒尖孢镰刀菌的抑制作用

本文旨在研究等离子体活化水（Plasma activated water,PAW）对青椒腐败菌-尖孢镰刀菌（Fusarium oxysporum）AF93247的抑制作用。着重研究了制备功率（0~1.18 kW）和制备时间（0~420 min）对PAW物理性质的影响;PAW制备时间（0~60 min）对AF93247菌丝生长和分生孢子萌发的影响,PAW处理时间（0~60 min）对染菌青椒腐败率和品质的影响。实验结果表明,制备功率越高,PAW的氧化还原电位、电导率和温度越高,pH值越低。同一制备功率（0.90 kW）时,随制备时间延长,PAW对AF93247的抑制作用增强。制备60 min的PAW（即PAW60）处理AF93247样品后,其菌丝生长抑制率和孢子萌发抑制率分别为（15.00±1.14）%和（54.44±5.03）%,显著高于其他各组（p<0.05）;PAW60处理后的孢子受损程度也高于其他各组。贮藏实验中,PAW60处理30 min组的染菌青椒色差?E降低率和硬度H降低率与对照组无显著性差异（p>0.05）,青椒腐败率、叶绿素a和总叶绿素损失率显著低于其他各组（p<0.05）。综上,PAW60对尖孢镰刀菌AF93247的有良好抑制作用,用其处理青椒30 min可在14 d内有效抑制青椒腐败的同时最大程度保持其品质。     

涤纶纺丝变频器的改造及效果分析

针对目前涤纶纺丝机在增产提速后生产状况不够稳定，尤其是断头率明显上升的问题，通过将纺丝计量泵变频集中控制改为单个位控制的方式，使纺丝设备上有效降低了废丝损耗率，涤纶长丝生产企业在很大程度上节约了成本。     

新型涤纶夏装面料的设计与性能分析

为了提供一种服用性能良好的新型夏装面料,本文以由FDY-POY长丝纱织造而成的50115-59A型平纹布作为研究对象,将其与市场上的一种普通涤纶平纹面料进行对比,测试并分析了其主要服用性能。结果表明,50115-59A型平纹布具有透气、抗皱、悬垂性好及机械力学性能佳等优点,是一种理想的夏装面料。     

基于可穿戴惯性传感器的跌倒预先识别方法

跌倒是老年人意外伤亡的主要原因,使用防护产品是预防其伤亡的重要措施.为提升跌倒防护产品的适用性,提出一种结合阈值和支持向量机(SVM)多分类的跌倒预先识别方法.利用置于腰部的惯性传感器采集人体动作的加速度和角速度,并提取合加速度、水平合角速度和姿态角特征.通过设定特征阈值对样本进行初步检测,并对疑似跌倒样本提取时间窗内特征的均值、范围和方差来构建分类特征向量,通过训练的SVM多分类器对疑似跌倒样本进行复检和方向识别.结果表明:该方法对跌倒预先识别的前置时间为256ms,准确率为98.9％,可有效预先识别跌倒行为及其方向.     

粘弹性阻尼结构振动仿真及在轨道车辆的应用

采用有限元和试验验证相结合的方法研究粘贴粘弹性阻尼悬臂梁的模态以及瞬态响应仿真技术,然后将仿真技术应用于轨道车辆车体结构,探索了粘弹性阻尼材料对车体结构振动特性的影响及其在轨道车辆车体减振设计的应用,研究表明采用粘弹性阻尼材料对轨道车辆结构具有较好的减振作用.     

基于改进YOLOv5的指纹二级特征检测方法

马德里指纹错案的出现使得现行指纹鉴定体系不断受到挑战和质疑。以指纹二级特征的统计规律为基础的量化鉴定技术成为了新的研究难点与热点，而指纹二级特征的自动检测与分类是实现指纹二级特征自动统计的基础。因此，提出一种基于YOLOv5的指纹二级特征检测方法。首先，建立指纹二级特征数据集，共包含4000张带标注的指纹图像；其次，根据指纹二级特征点尺寸小且分布密集的特点，对YOLOv5网络结构进行改进，删除原有的32倍下采样大目标特征检测层，添加新的微小特征融合层；再使用Feature Pyramid Networks(FPN)、Pyramid Attention Network(PAN)和Spatial Pyramid Pooling(SPP)结构通过融合多种尺度的方式实现局部特征和全局特征提取；最后，添加Squeeze-and-Excitation(SE)通道注意力机制模块，有效增强模型的鲁棒性和密集小目标的检测能力。实验结果表明，相比于原模型，改进后YOLOv5s＿FI模型，在检测速度基本不变的情况下，平均精度均值（mAP0.5）从93.0%提高到97.4%，且权重缩减了3/4。