臭氧活性炭与背光催化联用降解水中三氯乙醛的研究

研究了臭氧活性炭与背光催化联用技术降解水中三氯乙醛的效果及其影响因素。研究结果表明,外加氧化剂的浓度、TiO_2负载量、起始液的pH、起始物浓度及光照时间对其降解效果有着明显影响。臭氧活性炭与光催化联用可有效降低水中三氯乙醛。当TiO_2负载量为2g、臭氧浓度1mg/L及活性炭质量150g,对起始物浓度20mg/L和pH 6.65的三氯乙醛溶液光照反应60min,三氯乙醛的光降解率可达99.9%。     

超声场中金属半固态浆料组织的演化

采用亚共晶ZL101铝合金,研究了不同超声波导入条件下半固态浆料组织演化过程.结果表明,导入超声波时的温度对浆料初生晶粒的形貌影响明显.从640℃开始导入超声波,初生晶粒保持以近球状形式生长;熔体降温至610℃(固相率达0.1后)再导入超声波,初生晶粒逐渐由枝晶向非枝晶转化,120 s后初生晶粒粒状化;冷却至600℃(固相率近0.25后)再导入超声波,最终组织为粒状晶和枝晶混合组织.最后对超声场中半固态浆料组织演化机理进行了分析讨论.     

法兰盘类锻件的无飞边成形

图1所示的轮心支承属法兰盘类锻件。该类锻件通常的胎膜锻成形方法为无飞边及有飞边镦模成形两种。我们原采用无飞边镦模成形,易产生局部横向凸     

重要性图约束的均值漂移图像分割

针对已有算法结果分割区域过多问题,提出采用边缘正交场构造重要性图,通过边缘特征稳定性约束分割区域,从而有效地提高分割质量。构造边缘正交场,通过高斯积分提高边缘线的连续性和稳定性。采用边缘特征进行距离变换,生成图像的重要性图。采用均值漂移进行图像预分割,根据相邻区域边界上的重要性强度对分割区域结果进行合并。实验结果表明,和原有分割方法相比较,算法在保持原始图像重要区域的同时,对细节区域进行有效合并,明显提高分割质量。     

语义知识约束的三维人体特征点检测和分割

针对三维人体模形内在知识理解问题,提出域知识约束下的三维人体特征点检测和层次分割算法.首先给出人体域知识的语义特征点定义及参数化描述;然后根据域知识和几何属性自动识别三维人体模型语义特征点,并根据语义特征点和测地距离对人体模型进行层次分割;最后通过图论对分割结果进行优化,并采用形状索引对人体特征点局部特性进行分析,提高分割和特征点的准确性.实验结果表明,文中算法不仅对三维人体模型姿态变化具有很好的稳定性,而且能有效地避免已有算法所出现的分割结果不一致问题.     

半封闭条件下稳定型含氯消毒剂在饮用水中的稳定性研究

研究了在半封闭条件下一种稳定型含氯消毒剂的稳定性及抑菌性能。结果表明:稳定型含氯消毒剂具有很好的稳定性,在纯净水中其有效氯的半衰期可长达250d,在自来水中为80d左右;加入稳定型含氯消毒剂的纯净水在长达290d的实验期内基本上不生长细菌,而自来水中当有效氯不到0.5mg/L,细菌含量开始明显增加。加入稳定型含氯消毒剂的纯净水会在一定程度上增加消毒副产物的含量,但不影响饮用水的安全性。稳定型含氯消毒剂可广泛应用于饮用水的消毒。     

结合谱变换和马尔可夫模型的三维形状对齐

针对大尺度变形下的三维形状对齐问题,提出根据三维形状的等距性构造马尔可夫能量最小化模型,得到最优对齐结果。算法对三维模型进行谱变换,在变换空间中对三维模型进行初始化对齐。以谱距离和测地距离分别定义马尔可夫模型的单点势能函数和点对势能函数,形成可用于形状对齐的能量最小化模型。通过Alpha扩展算法对模型进行求解,得到最终的对齐结果。实验结果表明,算法在大尺度变形和拓扑变化等情况都能够输出很好的对齐结果。     

调整镶块高度 扩大模锻范围

我厂在1t模锻锤上采用镶块锻模结构,镶块采用模座封闭式定位,其上下镶块长、宽、高度尺寸均为250×190×90mm。 根据资料介绍,1t模锻锤的锻造能力为直径<125mm的锻件。但在实际使用中,锻件的直径最大能达130mm,其镶块锻模寿命达2000件以上,     

三维可变形物体的三点匹配策略

针对不同姿态下的三维可变形物体特征点匹配问题,提出了一种基于热核信号特征和测地距离的三点匹配策略,从而可以为后续的紧密匹配奠定基础.该方法主要由以下三步完成,首先提取出三维可变形物体的外部特征点;其次,对外部特征点采用热核信号定义局部特征;最后,结合局部特征描述符和特征点之间的测地距离进行最优匹配搜索,得到正确的匹配结果.实验结果表明:该方法能很好地实现对三维可变形物体的稀疏匹配.     

基于抗差估计的灰色模型与时间序列组合模型及其在变形预测中的应用

文章讨论的方法是在时序分析建模的基础上,运用了GM(1,1)来提取趋势项,然后对残差进行时序建模,形成灰色与时序的组合模型,在建模中的参数估计方法,采用抗差估计来取代常规的最小二乘估计法,来达到抵抗粗差的目的,从实例计算来看,效果比较好。