《蛐蛐儿》爸爸朱连兴的“育儿”经

他一直行进在应用软件开发行业的前沿，不光有超前的创新意识，还有勇于实践的行动精神。     

全球钛工业供需现状及发展趋势——第31届国际钛协会年会报告综述（Ⅰ）

综述了第31届国际钛协会年会有关钛原料（包括钛矿、海绵钛、钛铁、中间合金、钛废料）及钛加工材的供需现状与未来发展的报告。重点介绍2014年全球钛原料及钛加工材的供需现状,展望2015年及未来5~10年的需求。并根据市场现状及未来发展建议：国内有实力的大、中型钛企业,紧紧抓住世界航空市场持续向好和我国航空制造业快速发展的良好机遇,与航空公司紧密结合,为需求研发,占领国内航空市场,进一步扩大海外航空市场;小型钛企业向日本学习,积极开发适合在沿海城市使用的各类建筑五金件、提升人们生活品质的日用品、保障人类健康的医疗用品,将产品做细做精。共同完成化解过剩产能的艰巨任务,使我国的钛工业走向良性发展的轨道。     

基于阳光模拟的物体表面温度数学模型开发

阳光模拟测试和户外自然老化的相关性研究一直是汽车领域的研究热点，大多阳光模拟老化相关的测试标准都是基于TNR方法衍生的，其中影响阳光模拟测试和TNR结果的重要参数之一是样品表面温度。目前国内外研究中，温度均采用与样品同条件下的黑标温度，但由于不同颜色对辐照的吸收程度不同，样品表面温度与黑标温度具有较大差异。本工作开发了辐照度与汽车内外饰油漆表面温度数学计算模型，并通过阳光模拟试验验证其准确性。试验验证结果表明：黑标温度与白色饰板的实测温差甚至可达13.88℃。在70 W/m²时，红色、灰色、黄色、白色实测温度与黑标温度的相对误差分别为10.07%、16.23%、18.69%和27.37%。应用开发的物体表面温度与氙灯模拟试验箱辐照强度方程得到计算温度值，其拟合值与实测值更为接近，可将原来的误差精确度提高至少10倍。在油漆饰板颜色为黑色时，用黑标温度表示的相对误差较低，在2%以内，饰板为其他颜色时，应用模型计算得到的温度值与实测值较为接近，相对误差均不超过5.00%。表面温度标准数学模型能够修正长期以黑标温度近似物体表面温度而造成的误差，更便捷、更精准地为汽车内外饰...     

致密型纳滤膜用于微污染地表水深度处理的中试研究

对于微污染原水，常规工艺处理难以满足出厂水水质要求。考察了致密型纳滤中试装置对微污染地表原水进行深度处理的效果，探索了膜污染机制，优化了膜污染的化学清洗方法。中试结果表明，致密型纳滤系统能高效去除无机盐离子和溶解性有机物，其TOC去除率可达94%,出水电导率降低87%。膜污染主要由无机结垢和有机污染组成，前者主要成分为碳酸钙，后者为多糖和蛋白质。对化学清洗方法的优化结果表明，盐酸(pH=2)结合EDTA(pH=12,5 mmol/L)清洗可以有效恢复膜通量至初始水平。该中试装置运行成本为0.63元/m³,建议在实际运行中，可将膜过滤出水和常规工艺出水进行混合作为供水，以达到降低运行成本且保证供水水质的目的。     

深基坑施工对坑角外建筑变形的影响研究

依托某邻近建筑的深基坑工程，通过PLAXIS 3D有限元软件对该基坑施工全过程进行模拟，分析建筑变形的规律。结果表明，建筑在坑角附近的墙体底部出现了一定程度的“S”形扭曲现象，变形曲线从坑边中点位置向坑角呈现由凹向凸的变化趋势，出现了拐点；尽管在坑角效应的影响下，拐点处整体沉降值较小，但其沉降变形的陡变同样会造成建筑基础及墙体的开裂甚至折断。为了解释这一现象并找出其规律，分别建立了三个矩形基坑数值模型并且对坑外平行于基坑边方向的地表沉降进行分析。结果表明，地表沉降曲线同样呈现出先凹后凸的趋势，与建筑墙体底部变形趋势一致，证实了拐点的存在。通过对比研究发现，沉降曲线在拐点处的斜率随着基坑开挖深度的增加而增加，且在不同开挖深度和不同基坑尺寸的情况下，拐点均出现在距离坑角向坑边直线方向0～10m这段范围内，该段区域定义为“沉降拐点区”。由于坑外“沉降拐点区”的存在，会对施工附近的建筑产生较大的影响，施工时需要加强保护措施来降低差异性沉降影响。     

平行线路感应电压电流近似计算方法

随着配电网终端需求多样化和清洁能源的大规模接入，对区域电力负荷的准确预测变得至关重要。在电力市场化改革背景下，客户端倾向于用电信息保存在本地以确保隐私安全。利用天气数据和历史负荷数据，提出面向区域客户端隐私保护的联邦学习双向叠加循环神经网络负荷预测框架。根据短期电力负荷长序列数据之间的强关联性建立基于双向叠加循环神经网络的负荷预测模型。利用联邦平均算法构建基于联邦学习的区域负荷预测框架，将多个利用不同区域客户端负荷数据训练得到的双向叠加循环神经网络的模型进行融合，反复迭代获得全局模型。采用某市96组实时区域电力负荷公开的数据集，对该模型在区域客户端不共享负荷数据条件下的训练效果进行测试，结果表明，所构建模型具有较低的训练耗时和较高的预测精度。