块石对充填体损伤演化影响的声发射表征

块石胶结充填体中块石含量是决定承载能力的关键因素,在RMT-150C材料试验机上进行不同块石含量的尾砂胶结充填体单轴压缩实验,利用1 MHz的宽频声发射传感器采集峰值破坏前各阶段声发射参量,试验结果显示了块石对充填体不同承载阶段应力-应变水平的影响。对比应力-应变-累计声发射事件数关系,发现块石的掺入有利于降低充填体裂纹产生与扩展的速率从而使其承载能力得到加强。分析试验数据得到用累计声发射事件数表征充填体损伤程度的关系式,并得到2组试件的损伤-应变水平关系曲线。分析表明,块石的加入有效抑制充填体前期的损伤增长速率,并使得损伤激增段出现后延趋势。     

基于声发射的岩石疲劳损伤演化

通过砂岩试件疲劳破坏的声发射实验,分析了砂岩疲劳破坏过程的声发射特性,研究了岩石的疲劳损伤演化规律.按岩石整个疲劳过程的声发射特征及损伤演化规律,并参考岩石不可逆变形发展的三阶段规律可以将其分为四个阶段.岩石疲劳损伤破坏具有突发性,在岩石失稳阶段损伤加速演化.如果以声发射监测和预测岩石疲劳破坏,在损伤量0.4左右即进入失稳阶段,在损伤量0.3左右即进入失效阶段.     

铁铬铝合金裂纹产生时的声发射

通过声发射及扫描电镜技术,研究了铁铬铝合金裂纹形成的条件。结果表明,合金中热应力可产生微裂纹;内应力的存在以及环境氢的渗入,通常使盘条产生纵向裂纹;合金的失效过程是一个通过声发射释放能量的过程。     

基于声发射测试的钢丝疲劳损伤过程

应用声发射（ＡＥ）技术对制绳钢丝疲劳损伤过程进行动态监测。结果表明疲劳伤普遍产生于钢丝长度方向上的不同部位,所有部位的损伤经过钢丝初始塑性变形阶段之后都同时进入一个长期的慢速发展阶段,在此期间主导裂纹形成,由于主民裂纹以快速扩展方式发展,因而疲劳寿命主要由主裂纹孕育及生成期构成。     

基于声发射的岩石损伤演化特征分析

选用脆性红砂岩进行声发射单轴压缩试验,利用单一参量振铃计数得出红砂岩受力之后内部的损伤变化特征,并得出岩石损伤变量增长曲线及应力-应变曲线。两种曲线都能反映出微损伤生长、发展到裂隙生成、贯通的全过程,并将其损伤演化过程划分为4个阶段:微损伤压密阶段;微损伤生长、连接阶段;宏观损伤裂隙阶段;损伤裂隙贯通、破坏阶段。通过在损伤变量前提下得出的预测红砂岩裂纹尺度增长曲线,相比实际裂纹尺度增长曲线符合的较好。因此损伤变量完全可以对岩石内部损伤做出演化分析,同时也表明声发射信息中振铃计数参量包含着岩石内部变化的详细信息。     

循环载荷下胶结充填体损伤声发射表征

胶结充填体是充填采矿法应用的关键部分,其稳定与否是充填采矿成功实施的基础和前提。实际采矿活动对充填体产生一种循环重复的加卸载扰动,通过研究循环加卸载作用下充填体损伤破坏过程的声发射特征,探求充填体的损伤演化机理,可为充填体声发射监测技术提供基础性依据。本研究利用RMT-150C电液伺服系统和PIC-2型USB数字多通道声发射仪对灰砂比为1∶4的4组试样进行多级加卸载试验,模拟充填体实际所处应力环境。通过对试验过程系统接收到的声发射信号分析处理后,发现了循环载荷下胶结充填体的损伤演化具有3个不同阶段特征;同时用经过声发射参数量化后的损伤值表征充填体的损伤,为充填体稳定性监测技术的建立提供数值依据。     

WNN模型在预测声发射信号方面的应用

小波神经网络具有预测精度高、结构简单以及收敛快等众多优点,因此,试图将这一优势模型用于声发射的预测方面,进而为矿业领域完善一种新的预测方法,并根据实验室岩石加载实验过程中采集的大量声发射数据,建立了一种与之相适应的预测模型。首先,针对实验室实验过程中监测得到的声发射数据建立了小波神经网络模型（WNN模型）,然后对声发射监测得到的声发射事件率进行网络自主学习,得到预测结果,最后与实际值相比并计算其误差。结果表明：WNN模型预测精度较高,与实际监测得到的结果基本吻合,证明WNN可以用于声发射信号方面的预测。     

不同岩石脆性破坏声发射时频特性及信号识别

针对不同岩石脆性破裂声发射信号的非稳定性等特点,提出了声发射参数、Welch 谱、EMD 和BP 神经网络相结合的声发射信号特征提取及识别方法.通过对3 类脆性岩石进行单轴压缩声发射试验,获取了岩石破裂全过程的力学、声发射参数及波形;对各类岩石的声发射信号的时频特征进行了对比分析;综合声发射参数、峰值频率及EMD 能量熵等特征向量,运用BP 神经网络对岩石声发射及干扰源信号进行模式识别.结果表明,不同岩石在单轴加载下声发射参数随应力或时间的演化特征存在异同;EMD 与Welch 谱可很好体现出不同岩石声发射信号频谱与能量分布的特征差异;不同岩石声发射多种特征的神经网络具有良好的识别效果.      

利用磁声发射法对钢铁件微观损伤与残余应力的研究

本文通过４５钢和Ｔ１０钢在不同组织及应力状态下，磁声发射信号的强度，幅值和脉宽分布等特性的研究，表明了磁声发射特性的变化与材料内部应力状态有关。利用磁声发射可以无损地检测钢铁材料服役中出现的微观损伤和残余应力，避免应力，避免在役工件的意外事故发生。     

砂岩单轴压缩下声发射特征与损伤演化

为获取钨矿砂岩矿柱岩石破坏过程中声发射特性及损伤演化规律,对其进行单轴压缩条件下同步测试应力-应变曲线、声发射参数-时间变化曲线的室内声发射试验,通过分析声发射参数与应力变化关系,并试用声发射振铃计数、能量计数来表征岩石损伤。结果表明:该岩石的声发射分布可分为三个不同阶段;第Ⅰ阶段为相对平静期,振铃计数较小、幅值较小,能量释放值较低;第Ⅱ阶段为活跃期,声发射活动分布逐渐密集,但大多数信号值都处于低级别水平,岩石仍处于稳定阶段;第Ⅲ阶段为失稳前兆期,振铃计数、幅值均值和弹性能释放迅速增大,且分布更为密集,出现多个峰值,峰值处都对应着应力-应变曲线上的拐点,岩石失稳时各声发射参数都达到最大值。用声发射振铃计数或能量计数能较好的反应岩石内部的损伤演化过程。     

温挤压法制备铝基非晶合金的研究进展

Al85Ni5Y10铝基非晶粉末在603K温挤压所得块体样品的相对密度超过98%, 抗压强度和弹性模量分别高达1470Mpa和145 Gpa, 是传统铝合金的2～3倍, 并有很好的耐磨、耐蚀性能和超塑性等, 可望在航天、航空和汽车制备等领域获得广泛的应用. 然而, 以Al85Ni5Y10为代表的这类铝基非晶合金材料获得工程应用的主要困难在于较难获得大尺寸的非晶材料. 为促进其快速研发, 该文简要地综合介绍和评述了温挤压法制备大块非晶合金的基本原理、方法和研发进展.     

基于8-羟基喹啉荧光敏感化合物的铝合金腐蚀监测技术

利用8-羟基喹啉(8HQ)与铝离子鳌合后形成的鳌合物——8-羟基喹啉铝(AlQ₃)能发出强荧光的特性,开发了一种有效地铝合金涂层下腐蚀的监测技术.研究了铝离子浓度及pH对8-羟基喹啉铝(AlQ₃)的吸光度及荧光特性的影响.发现了8HQ与Al³⁺鳌合生成的AlQ₃荧光强度随Al³⁺浓度的变化规律.成功地将8-羟基喹啉加载在LY12铝合金表面,并以透明环氧树脂涂层覆盖.所制备的试样经盐雾腐蚀后表面出现明显的荧光斑点,荧光斑点处用光学显微镜观测可见腐蚀现象,而在可见光下观测并未有明显变化.研究表明:随着腐蚀时间延长,腐蚀程度加深,试样表面荧光现象增强.

     

十种常见的变形铝及铝合金轧制板材缺陷

介绍了表面气泡、印痕、非金属压入、金属压入、折伤、擦伤、划伤、揉擦伤、摩擦腐蚀、粘铝等十种常见的变形铝及铝合金轧制板材缺陷的定义、形貌及产生原因，并附有典型形貌照片。     

高温预析出对Al-Zn-Mg-Cu铝合金显微组织和力学性能的影响

通过光学显微镜和IEM观察和力学性能测试,分析了固溶后高温预析出处理对Al-Zn-Mg-Cu铝合金显微组织及力学性能的影响。结果表明:高温预析出可在晶界形成不连续的析出相,465℃预析出在保证合金硬度的同时,使抗应力腐蚀性能提高,随着预析出温度的降低合金的电导率和抗应力腐蚀开裂性能均得到提高。     

Al-Zn-Mg系铝合金应力腐蚀性能

研究了热处理制度和时效工艺的改变对Al-Zn-Mg系铝合金的组织结构、力学性能和应力腐 蚀性能的影响。研究结果表明:高温预析出可以改变Al-Zn-Mg系铝合金晶界的析出相大小和分 布,从而改善其抗应力腐蚀性能;在T6和T612种人工时效条件下,预析出的合金的抗应力腐蚀 性能均好于无预析出的合金。在自然时效状态下,引入超声波,对无预析出合金的应力腐蚀性能 进行了初步探索,发现超声波可以提高合金的抗应力腐蚀性能,而对合金的硬度无影响。     

基于神经网络的自适应故障模式分类方法

在深入研究APT-2神经网络结构的基础上,提出了一种基于神经网络的自适应故障模式分类方法,并应用在轴承故障诊断中,结果表明:该方法对轴承故障模式具有自学习、快速稳定的识别能力。     

三轴及孔隙水作用下煤的变形和声发射特性

在MTS815.02岩石力学试验系统上进行了煤的单轴压缩、三轴压缩及孔隙水作用下全应力应变试验及声发射检测.结果表明:煤的三轴强度、残余强度随围压增高而增大,随孔隙水压增高而降低;在低围压试验范围内,煤的弹性模量不随围压变化.煤在不同试验条件下呈现的声发射特征有显著差异性:单轴试验时各个阶段均有声发射事件产生,三轴及孔隙水试验条件下煤样屈服之前声发射事件较少,而屈服之后声发射趋于活跃;单轴试验时煤的声发射能量最大,随孔隙水压增大,煤样变形过程释放的声发射能量逐渐减小.     

基于改进遗传算法优化Elman网络的板形识别方法

针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。