排序方式: 共有37条查询结果,搜索用时 125 毫秒
1.
目的寻找影响硅橡胶涂层疏水性的因素,并找到相应的提升改进方法。方法以液体硅橡胶为基体,通过燃烧橡胶条熏附、添加纳米SiO2粉末混合和喷洒纳米SiO2粉末附着这三种不同方式,来制备超疏水表面涂层。通过改变纳米粉末的加入方式、加入质量,研究疏水性的最佳条件。并通过光学显微镜测量静态接触角评价表面疏水性能,寻找影响其疏水性的因素。结果最佳的方法为熏烧的烟尘附于液体硅橡胶涂层表面,大多数试验样本出现超疏水特性,静态接触角最高可达159°,平均值150°,静态接触角提高40°以上;次之为均匀喷洒纳米SiO2粉末,部分试验样本出现超疏水特性,静态接触角最高为145°,平均值135.5°,静态接触角提高30°~40°;简单搅拌混合的提升效果最差,没有试验样本出现超疏水特性,静态接触角最高可达124°,平均值108.5°,静态接触角只提高5°~15°。结论构建超疏水涂层的关键在于能否成功构建出微纳米的二级微观结构,简单的物理混合、搅拌会使纳米粉末被覆盖掉,无法表现出其特性。涂层的疏水能力与接触周围的实际微观长度有关。 相似文献
2.
以二元醇(乙二醇、1,3-丙二醇和1,4-丁二醇)为交联剂,通过抽滤的方式在涂覆盐酸多巴胺的聚醚砜(PES)支撑层上制备了共价交联的羧基化石墨烯/聚醚砜(CG/PES)复合膜。稳定性测试证明盐酸多巴胺的涂覆和二元醇的交联显著提高了分离层和支撑层以及CG纳米片间的结合力。采用扫描电子显微镜、X射线衍射仪、X射线光电子能谱仪和水接触角测试仪对复合膜的物化性质和微观形貌进行了表征。结果表明,所得复合膜的分离层连续无缺陷,厚度在60~64nm之间。二元醇与CG纳米片上的羧基成功发生反应,将CG纳米片锚固在一起。交联剂的引入没有大幅降低亲水性且实现了对分离层层间距的有效调控,随二元醇分子尺寸增加,所得复合膜的层间距由0.761nm提高到0.778nm。CG/PES复合膜对正丁醇/水混合物具有优良的渗透汽化分离性能。在料液温度为50℃、料液中水的质量分数为10%时,三种交联剂所得复合膜的渗透通量分别达到0.79kg/(m2·h)、0.87kg/(m2·h)和0.96kg/(m2·h),而分离因子比未交联的复合膜高一个数量级。15天的稳定性测试结果表明,所得复合膜分离性能无显著变化,能够满足渗透汽化应用要求。 相似文献
3.
4.
5.
运用计算流体力学的方法,对涡轮发动机室内试车台流场进行模拟,着重研究试车台排气塔引射筒导流锥角度对发动机推力和试车台内流动特性的影响,为试车台的设计和发动机推力的估计提供依据。研究了导流锥角度为30°、60°、90°和120°时试车台流场分布和发动机推力,研究结果表明:引射筒导流锥角度对发动机推力的影响不大;当导流锥为30°和120°时,导流锥附近的流场结构稳定,在径向和轴向的均匀性都较好,燃气和引射空气的掺混效果较好,排气塔总压损失较小。因此建议采用30°和120°的导流锥角度。 相似文献
6.
智能组卷是一个包含多重约束条件的目标优化问题,遗传算法的群体搜索策略可以为多目标优化提供较好的解决方案。但传统的遗传算法在组卷过程中存在收敛速度慢、收敛性较差等缺点,组出的试卷质量不高。提出一种新的元胞遗传组卷算法,将群体中的所有元胞按照一定的演化规则演化之后,再进行遗传操作,并把该算法应用到智能组卷中。实验结果表明,新的元胞遗传组卷算法与传统的遗传组卷算法相比,可以有效地提高收敛速度,并能进一步改善收敛性,组出的试卷更加符合人们的要求。 相似文献
7.
为量化气象不确定性导致的预测随机性,应对超短期风电功率预测结果进行概率计算,进而给出响应新能源出力变化的电网调控安全裕度。因此,构建一种基于变分推断(Variational Inference,VI)的风电超短期功率预测模型。首先,使用完备集成经验模态分解(Empirical Mode Decomposition,EMD)对风机有功进行降噪处理。其次,分析各影响因素与风机功率的分布特征,利用神经网络构建隐变量生成模型,实现了对输入变量的特征压缩。第三,对隐变量进行高斯采样并构建回归网络实现功率预测。第四,以证据下确界(Evidence Lower Bound,ELBO)作为优化目标进行模型参数优化。最后,通过山东省内风场实际运行数据,基于变分推断的超短期功率预测模型给出的预测均值均方根误差为2.857,与对照组极限梯度提升模型表现接近;同时,根据模型的预测结果概率分布,设置为20%和80%分位点的预测区间覆盖率为99.6%。 相似文献
8.
9.
本征正交分解(Proper Orthogonal Decomposition,POD)是对高维复杂非线性系统进行降维处理的有效方法之一.本文对POD方法在一系列实际工程领域降维中的研究进行了综述.首先简要介绍POD方法的发展历史,简述POD方法分类,随后详细列举POD方法在粒子图像测速(Particle Image Velocimetry,PIV)技术、计算流体力学(Computational Fluid Dynamics,CFD)数据处理中的应用.对比了POD方法和动态模态分解(Dynamic Mode Decomposition,DMD)方法在实际工程应用中各自的优缺点,结果表明在流场稳定脉动时可采用DMD方法,而其他随时间变化的流场采用POD方法更合适.最后对POD方法的发展尤其是在人工智能领域的应用做出展望. 相似文献
10.