新型耐磨钢ANM450在煤矿矿井水环境下的腐蚀磨损行为*

对新研制的含Ti低合金耐磨钢ANM450和对比钢Hardox450进行组织、相结构及硬度研究。基于煤矿井下工况环境,模拟配制偏酸性、偏碱性和高矿化度3种模拟矿井水,并以去离子水作为对比,通过湿砂磨料磨损试验对2种耐磨钢的腐蚀磨损性能和机制,以及腐蚀对磨损的作用机制进行研究。研究结果表明：新型耐磨钢ANM450的组织为板条状马氏体,沿轧制方向弥散分布有TiC颗粒;在4种模拟矿井水中,新型耐磨钢ANM450的耐腐蚀磨损性能优于对比钢Hardox450,其中TiC颗粒起到细化晶粒和阻碍磨粒滑动的作用;在40、100、140 N 3种载荷下,新型耐磨钢ANM450的腐蚀促进磨损率都要高于Hardox450,这表明新型耐磨钢ANM450的腐蚀磨损交互作用大于Hardox450。     

微Cr高碳钢线材的应用

研究了微量Cr对高碳钢线材组织性能的影响以及Cr元素的合理加入量,结果表明,加入微量Cr优化了材料组织结构,减少了组织中先共析铁素体量,增加了索氏体量,使线材抗拉强度增加了75MPa～1OOMPa,综合性能得到提高,Cr元素的合理加入量应控制在0．18％～0．24％。     

铬电极电火花熔涂层的干摩擦滑动磨损特性

用环块磨损试验机对铬电极电火花放电熔涂层的干摩擦滑动磨损特性进行了研究。结果表明,轻载低速条件下,熔涂层的干摩擦滑动磨损机制以氧化磨损为主,与淬火低温回火态45钢相比,熔涂层的耐磨性是45钢的2～4倍;重载高速条件下,熔涂层的干摩擦滑动磨损机制比较复杂,存在磨料磨损,粘着磨损,剥层磨损等多种机制,熔涂层的耐磨性是45钢的15倍以上。     

感应熔敷微-纳米碳化钨复合涂层的耐磨性研究

用感应加热熔敷方法在Q235钢表面制备了微-纳米碳化钨复合涂层，并分析了涂层的微观结构、显微硬度及耐磨性。结果表明：涂层的组织主要由镍基固溶体和碳化钨颗粒组成。涂层与基体冶金结合；微-纳米碳化钨涂层的耐磨性比微米碳化钨涂层平均提高0．5倍。     

MapReduce框架下的不确定数据Top-k查询计算

Top-k查询是不确定性数据管理中普遍采用的一种技术.基于参数化排名函数的Top-k查询语义是近年来提出的各种查询语义的统一.文中针对海量不确定数据,提出一种基于MapReduce框架的Top-k计算的有效方法.通过分析基于参数化排名函数的不确定数据Top-k查询语义,设计一种获得未计算元组的排名函数值上界的算法,避免计算所有元组的排名函数值,解决Top-k计算中的剪枝问题.在MapReduce计算模型中提出两种不同的策略来实现该算法.文中针对单机环境和Hadoop分布式计算平台进行两组不同的对比实验.实验表明在处理海量不确定数据时,该算法在计算时间上有较高的性能提升.     

过程控制组态系统中操作站的设计

本文介绍了过程控制组态系统操作站的设计思想、实现方法及数据结构。把操作站的一切活动统一在实时数据库里,说明了数据的组织和处理是相当重要的。     

面向复杂网络的异构网络表示学习综述

异构信息网络包含丰富的节点信息和链接信息,具有复杂异质性、高稀疏性、属性高维性等特性,这些特性给网络表示学习任务带来了巨大的挑战。异构网络表示学习通过在嵌入过程中将多样化的异质信息和结构信息进行有效融合,学习得到更有利于下游机器学习任务的低维特征向量。从异构网络表示学习方法的研究粒度出发,对近年的研究现状进行了比较全面的分析和讨论。首先探讨网络表示学习的产生动机,阐述了近年的异构网络表示学习的研究历程;然后对具有代表性的算法模型进行分类讨论,归纳其主要的研究内容和所使用的嵌入技巧。最后给出了未来工作中异构网络表示学习可能的研究方向和比较有价值的研究内容。     

SCBT-index:基于谱编码的子图索引算法

随着图模型规模的扩大,单机算法难以适应大规模数据集下的子图查询.而现有的分布式算法基于无索引的简单遍历,join过程容易出现内存溢出,而且查询图分布异常时易出现负载不均衡.提出了一种基于谱编码的二叉索引树（SCBT-index）,首先对数据图中的顶点谱编码,根据编码信息构建二叉索引树.然后对查询图使用最小查询计划进行分解,最后join过程使用3个剪枝策略：基于拓扑结构的预剪枝、序列化join和基于分布式下的join优化.实验结果表明,SCBT-index在图集下的综合性能优于现有主流算法,单图下的查询时间为现有算法的1/2到1/4.     

M2LSH:基于LSH的高维数据近似最近邻查找算法

在许多应用中,LSH(Locality Sensitive Hashing)以及各种变体,是解决近似最近邻问题的有效算法之一.虽然这些算法能够很好地处理分布比较均匀的高维数据,但从设计方案来看,都没有针对数据分布不均匀的情况做相应的优化.针对这一问题,本文提出了一种新的基于LSH的解决方案(M2LSH,2 Layers Merging LSH),对于数据分布不均匀的情况依然能得到一个比较好的查询效果.首先,将数据存放到具有计数功能的组合哈希向量表示的哈希桶中,然后通过二次哈希将这些桶号投影到一维空间,在此空间根据各个桶中存放的数据个数合并相邻哈希桶,使得新哈希桶中的数据量能够大致均衡.查询时仅访问有限个哈希桶,就能找到较优结果.本文给出了详细的理论分析,并通过实验验证了M2LSH的性能,不仅能减少访问时间,也可提高结果的正确率.     

大规模复杂网络下重叠社区的识别

随着网络规模的不断扩大,经典的复杂网络重叠社识别算法已不能高效处理现有的大规模网络图数据.本文在GraphLab并行计算模型上提出了基于重要节点扩展的重叠社区识别算法DOCVN (Detecting the Overlapping Community algorithm based on Vital Node Expanding in GraphLab).算法选取网络中PageRank值大的节点作为重要节点,计算其他节点归属于重要节点的节点归属度,并以重要节点为中心形成核心社区及扩展社区,最后根据重要节点间的连接紧密度合并核心社区及扩展社区,并计算出每个节点在所属社区里的节点重要度,实现了大规模网络的重叠社区识别.实验表明该算法与PD (Propinquity Dynamics)等现有并行算法相比更能有效地识别大规模网络的重叠社区结构.