中国散裂中子源靶体研制

中国散裂中子源(CSNS)靶体选用钨为靶材、钽为包覆层，采用包套法结合热等静压扩散焊工艺制备了钽包覆钨靶片。经检测，钨钽界面结合良好，钽层与钨基体平均结合强度大于64.07 MPa。靶体将钨靶片分成厚度不等的11片，散热采用一进一出的并行流结构，利用CFD软件进行了模拟计算，钨靶片间冷却流道间隙为1.2 mm，100 kW满功率运行情况下靶体最高温度为182.3 ℃，冷却水温升为7.1 ℃。经过半年多的试运行，CSNS靶体各参数满足CSNS的要求。     

Preliminary shielding analysis in support of the CSNS target station shutter neutron beam stop design

The construction of China Spallation Neutron Source （CSNS） has been initiated in Dongguan, Guangdong, China. Thus a detailed radiation transport analysis of the shutter neutron beam stop is of vital importance. The analyses are performed using the coupled     

激光辐照PC型HgCdTe探测器热效应的计算

通过测量ＰＣ型ＨｇＣｄＴｅ探测器电阻与温度的关系及激光辐照下电阻随时间的变化，建立了热模型，计算了三种损伤机制下的激光损伤阈值。     

国产CR-39记录高注量的He++和H+的蚀刻特性

研究了国产ＳＹ－１型ＣＲ－３９记录加速器加速的高注量的Ｈｅ＾＋＋和Ｈ＾＋的蚀刻特性,对辐照过程中靶室内的环境本底做了观察实验。结果表明,在靶室内直接照射束斑位置以及远至４０ｍｍ处仍能记录到与束斑处相同的离子,而且在高注量离子的束斑区蚀刻后几乎辨不出径迹。进行了刻度实验,给出了ＣＲ－３９记录不同能量的Ｈｅ＾＋＋和Ｈ＾＋的径迹直径响应蚀刻曲线,对高注量束斑区蚀刻后注入新离子的实验表明记录特性不改变。     

散裂中子源靶站和中子散射谱仪的概念设计

本文介绍了可应用于多学科应用的散裂中子源(CSNS)靶站和中子散射谱仪概念设计的进展。CSNS靶站将由重水冷却多片钨靶,铍/铁反射体和铁/重混凝土生物屏蔽体组成。采用三个WING型慢化器:水(室温),液体甲烷(100K)和液体氢(20K),设有18个水平中子孔道。MonteCarlo模拟显示优化的靶截面高宽比为1:2.5左右。额定的100kW核功率的质子束轰击后,慢化器处钨靶溢出的脉冲中子通量约为2.4×1016cm?2·s?1。有限元方法计算表明,钨靶体内的总发热量是47kJ/s。即使使用截面较小的钨靶,在通常的水冷速率下,靶体温度也仅略高于90°C。靶体的热应力形变最大不超过0.2mm。根据经济实用原则选择建造粉末衍射仪、小角散射仪、反射仪及直接几何非弹性散射仪等四类有代表性的中子散射谱仪,就能覆盖>80%的中子散射研究领域。     

不同喷涂工艺对Cr~(3+)掺杂Al_2O_3陶瓷涂层相结构及发光性能影响研究

通过火焰喷涂工艺和等离子喷涂工艺制备了Cr~(3+)掺杂Al_2O_3陶瓷涂层。采用扫描电镜、X射线衍射、荧光光谱仪等方法表征了涂层的微观形貌、孔隙率、相结构及发光性能等。对比两种不同工艺制备的Cr~(3+)掺杂Al_2O_3陶瓷涂层性能结果表明:等离子喷涂制备的涂层形貌、颗粒熔化状态、厚度均一性均优于火焰喷涂涂层,但火焰喷涂工艺涂层的发光性能远优于等离子工艺涂层,其原因是火焰喷涂制备的涂层中Al_2O_3粒子的熔融状态更差,保留了更多的α-Al_2O_3相,未熔粒子部分将以喷涂原粉中稳定的α-Al_2O_3结构存在涂层中进而影响其光学性能。     

基于记忆库和后处理方法解决长尾实例分割问题

数据的长尾特性一直是解决计算机视觉问题的一大挑战,为了应对这一挑战在实例分割任务中带来的困难,通常引入图像重采样作为一种简单有效的方法。然而一幅图像中可能存在多个类,仅通过图像重采样不足以在类别的数据量层面上获得足够均衡的分布,因此提出一种以目标为中心的记忆库后处理方法。首先引入记忆库模型,设立以目标为单位的存储策略,解决各类别数量不均衡问题;其次使用一种后处理校准方法,通过调整每个类的置信度得分提升稀有类和普通类的预测值。在公开数据集LVIS上的实验验证了所提方法的有效性,并且相比EQL方法,准确率能够提升2.2%。     

基于Transformer和边缘解耦的鸟瞰地图语义分割算法

高精(high-definition, HD)地图可以提供准确的道路信息和丰富的语义信息,使自动驾驶系统引导车辆正确行驶。高精地图通常依赖人工标注,现有自动化标注方法在自动驾驶场景下的识别精度较低,导致高精地图标注效率低下。为了解决这一问题,提出了一种新的用于高精地图自动标注的语义分割方法MapFormer,包括一个多级特征融合模块,能够使模型聚合不同级别的细节和语义信息;一种新的边界解耦联合解码器用以提高模型处理类别间边界的能力。在鸟瞰图数据集上的实验验证了该模型不仅在分割精度上取得了优秀的表现,而且在对类别边界的处理上更为清晰。其mIoU为55.82%,高于SegFormer的mIoU 1.03%,该方法可提升高精地图标注效率与标注自动化率。