改性石墨烯/丁腈橡胶纳米复合材料的制备及性能研究

通过简单的回流氧化石墨烯(GO)和二乙基甲苯二胺(E-100)成功实现氧化石墨烯的原位功能化还原,制备了导电及表面修饰的氧化石墨烯(GO-E100),其电导率由GO的1. 0×10-7S/m提高到1 S/m。此外,制备的GO-E100有效地增强了以丁腈橡胶(NBR)为基体的柔性复合材料的力学性能和导电性能。当GO-E100在复合材料中的质量分数为4. 2%时,复合材料电导率达到3. 2×10-12S/m,比纯NBR增加了3个数量级,同时拉伸强度提高了18. 6%;当GO-E100在复合材料中的质量分数为6. 8%时,其拉伸强度提高了12%,耐油性稍有改善,复合材料电导率达到5. 6×10-8S/m,比纯的NBR增加了7个数量级,基本满足抗静电要求。     

应用两步接枝法制备新型改性聚丙烯基吸油材料

为了提高聚丙烯(PP)无纺布的吸油性能,通过在异丙醇/水混合酸性溶液中紫外辐照诱导的方法,成功将丙烯酸(AA)、甲基丙烯酸甲酯(MMA)单体接枝到PP基体上。考察了单体浓度、辐照时间等反应条件对聚丙烯无纺布接枝率的影响。利用衰减全反射红外光谱(FT-IR)、X射线光电能谱仪(XPS)和扫描电子显微镜(SEM)对接枝改性前后聚丙烯无纺布基体表面的化学组成和形貌结构进行了表征,并以原油为被吸附有机物考察了聚丙烯非织造布接枝前后的吸油性能。静态接触角测试表明接枝聚合改性处理后,PP无纺布的亲油性能显著增强。PP-g-(AA+MMA)的热稳定性通过差热分析(DTG)和差示扫描量热法(DSC)进行了表征。此外,改性处理后的聚丙烯无纺布基体的弹性势能也得到了显著提高。     

一辆东风EQ1146G汽车发动机机油增多的特殊故障

1　故障现象一辆东风EQ1 1 46G汽车配装EQ6BTAA柴油发动机 ,出现机油增多 (油油相混 ) ,且动力性差 ,发动机抖动现象。第五缸排气管有柴油现象 ,且机油增多速度快 ,转速越高 ,机油增多越快。2　原因分析根据上述现象 ,认为机油增多 (油油相混 )是由以下三个方面引起的 :喷油器的喷油嘴雾化不良 ,严重滴油 ,引起柴油流入油底壳 ;输油泵损坏造成柴油进入油底壳 ;该EQ6BTAA发动机配装的是PB型喷油泵 ,柴油会从柱塞“O”型密封圈损坏后流入油底壳。针对上述情况 ,于是拆喷油器检查发现 2、4、5缸油嘴不雾化严重滴油。把 2、4、5油嘴更换…     

应用两步接枝法制备改性聚丙烯基吸油毡

为了提高聚丙烯(PP)无纺布的吸收性能,通过在异丙醇/水混合酸性溶液中紫外辐照诱导的方法,成功将丙烯酸、甲基丙烯酸甲酯单体接枝到PP基体上。利用傅里叶红外转变光谱和X-射线光电能谱仪对接枝改性前后PP无纺布基体表面的化学组成进行了表征,并以原油为被吸附有机物考察了PP无纺布接枝前后的吸油性能及原油吸附影响因素。分析了PP-g-(AA+MMA)制备过程中影响因素,并对其进行了热稳定性测试、DSC分析,以及物理机械性能及重复性测试。     

聚丙烯接枝丙烯酸丁酯吸油纤维的制备和表征

采用紫外辐射引发的方法,在主要利用毛细管力作用吸油的聚丙烯纤维上接枝聚丙烯酸丁酯,制备了高吸油纤维.研究了影响聚丙烯纤维接枝率的因素,如辐照时间、单体浓度、光敏剂浓度等.用衰减全反射傅立叶红外光谱对接枝前后的纤维进行了表征,结果表明丙烯酸丁酯被成功接枝到PP纤维上.随着接枝率的增大,吸油纤维对柴油的吸附量先增大后减小....     

紫外光接枝改性聚丙烯薄膜的研究

以二苯甲酮为光敏剂,通过紫外光辐照引发,将亲水性单体丙烯酸(AA)和甲基丙烯酸(MAA)接枝在聚丙烯薄膜表面。考察了光敏剂浓度、辐照时间以及溶剂类型对接枝率的影响。利用衰减全反射红外光谱和扫描电子显微镜对接枝薄膜的表面化学组成和形貌结构进行表征,通过水接触角和吸水率研究了接枝后薄膜的亲水性。结果表明,在相同条件下,AA的接枝率高于MAA;相比于有机溶剂,在水溶剂中AA的接枝率明显提高;当接枝率达到11.8%时,薄膜表面水接触角由原膜的95°降低到35°,亲水性显著提高。     

基于可解释基拆解和知识图谱的深度神经网络可视化

近年来,以卷积神经网络(CNN)等为代表的深度学习模型,以其深度分层学习,无标签化学习等优势,已在图像识别为代表的各个领域得到日益广泛的应用.然而,深度神经网络模型由于其内在的黑盒原理,对其内部工作机制的解释仍然面临巨大挑战,其可解释性问题已成为了研究界和工业界的前沿性热点研究课题.针对现有研究存在的缺乏基于图谱的可解释性方法的问题,以及可解释基模型的图谱构建优势,本文提出了一种基于可解释基拆解和知识图谱的深度神经网络可视化方法.首先采用一种面向可解释基模型特征拆解结构的知识图谱构建方法,构建了场景和解释特征之间的解释关系和并列关系等图谱信息;利用场景-特征的解释关系网络,提出了一种基于Jaccard系数的场景间相似度聚类方法;针对现有可解释基模型对相似的场景,其解释特征重合率可能很高的问题,提出了一种基于场景的判别性特征提取方法,在特征拆解结果中能对每一类样本分别提取出能够区别此类和其他类并且拥有同等重要性的拆解特征(即判别性特征);针对现有可解释基的深度网络可视化测试缺乏保真度测试的问题,提出了一种适于深度神经网络的保真度测试方法.保真度测试和人类置信度测试,均表明本文所提方法可取得优异效果.