空冷器Cr5Mo法兰焊缝开裂原因分析

本文应用光学显微镜和扫描电子显微镜(SEM)仔细分析研究了Cr_5Mo法兰焊缝开裂的原因,具有延迟氢脆的特征。     

变截面翅片通道内过冷沸腾可视化试验

以水为介质,对三角多孔翅片（TP）和横排锯齿翅片（TDS）两种变截面翅片通道的过冷沸腾进行了可视化试验。研究了体积流量、过冷度与热通量对过冷沸腾起始位置的影响,通过观察变截面翅片流道内单个气泡形成、生长与合并或脱离的过程,对比分析两种变截面翅片对流沸腾传热强化机理。试验结果表明：TDS翅片通道内气泡从出现到消失的平均周期约为TP翅片的一半;过冷沸腾起始位置随着体积流量的增大,逐渐向流道出口处移动;而随着热通量的增大和过冷度的减小逐渐靠近流道入口处;过冷度对过冷沸腾起始位置的影响比热通量对其的影响更大。     

转盘离心雾化高黏非牛顿流体薄液膜纤维化特性

高黏性流体经转盘离心雾化以液滴形式进入气相可显著改善气液相间接触,其纤维化特性直接决定了雾化液滴的尺寸,是影响物料品质的关键因素。针对转盘离心雾化器,对非牛顿黏性液膜失稳纤维化过程的物理机制进行了分析,分析了高黏度流体,仅考虑黏性作用时,黏性力对纤维间距的贡献,建立了黏性力与表面张力耦合作用下液膜破碎的纤维间距预测模型,探讨了液膜纤维化的一般规律。结果表明,黏性对液膜的失稳纤维化起抑制作用,黏度提高,纤维数量减小,纤维间距增大。纤维数量与转盘边缘液膜线速度相关。进入完全纤维状模式后,纤维数量趋于稳定,提高转速引起纤维数量稳定的流量范围缩小,不利于雾化,可采用低转速、大直径转盘改善雾化效果。非牛顿高黏流体液膜破碎后的纤维数量与Weber数、等效Reynolds数和流变指数直接相关。研究结果对高黏流体的转盘离心雾化系统设计与优化提供了可借鉴的理论与应用基础。     

压缩空气填充床储能系统性能研究

对压缩空气储能(CAES)系统中填充床的显热储热性能进行研究,揭示填充材料、填充方式、进口压力、孔隙率对储热性能的影响规律。结果表明:填充材料为钢时储热效率最大;进口压力增加,储热效率增加,当增加到某一值时继续增加压力对储热效率的影响很小,但储热时间会增加;3种材料分层填充方式的储热效率较填充材料为单一砂石或滑石时的储热效率高。     

肋板式相变蓄热器蓄热性能的试验研究

采用萘作为蓄热材料,对其在新型铝制肋板式相变蓄热器中的储、放热过程即内部萘的熔化和凝固过程进行了试验研究,改变了供、取热流体参数,测定了储、放热过程的时间,分析了热流体的入口温度与流量对蓄热器储、放热过程的影响.结果表明,新型肋板式相变蓄热器极好地发挥了换热元件的作用,热流体的入口温度与流量对储、放热速率有重要的影响.     

基于分形理论的岩相图像识别与分析

基于分形理论 ,应用计算机数字图像处理技术 ,提出了一种岩相图像识别与分析的新方法。在对典型岩相图像进行图像处理的基础上 ,介绍了岩相轮廓的顺序跟踪识别方法 ,给出了岩相轮廓分形维数的具体计算公式和方法 ,最终得到不同岩相轮廓的分形维数。通过比较不同岩相的分形维数可知 ,同一种岩相轮廓具有比较接近的分形维数 ,而不同岩相分形维数相差较大 ,这说明分形理论可用于岩相图像识别与分析。     

焊缝界面对蠕变断裂力学参量的影响

目前高温断裂力学参量的推定主要是基于材料均匀性的假定,但在工程实际中无法回避由焊接引发的材料不均质问题。在存在焊接界面的情况下,如何得到可靠的高温断裂力学参是以合理描述蠕变裂纹扩展,是结构完整性评价所面临的挑战。作者研究材料性能不匹配对单轴带焊缝试样的应力场及时间相关断裂力学参量的影响,检验了基于加载线位移的Ｃ估算公式适用性。计算表明在大范围蠕变条件下带硬焊缝试样的Ｃ值比单一焊缝金属的Ｃ值高得多。     

换热器U形换热管破裂失效的分析

通过对Ｕ形换热管裂纹部位的金相检查、电镜扫描、残余应力测定及裂纹表面腐蚀产物Ｘ射线能谱分析后确认，换热管的失效原因为穿晶型应力腐蚀破裂。文中还提出了防止失效的措施和建议。     

面向边缘智能的两阶段对抗知识迁移方法

对抗样本的出现,对深度学习的鲁棒性提出了挑战.随着边缘智能的兴起,如何在计算资源有限的边缘设备上部署鲁棒的精简深度学习模型,是一个有待解决的问题.由于精简模型无法通过常规的对抗训练获得良好的鲁棒性,提出两阶段对抗知识迁移的方法,先将对抗知识从数据向模型迁移,然后将复杂模型获得的对抗知识向精简模型迁移.对抗知识以对抗样本的数据形式蕴含,或以模型决策边界的形式蕴含.具体而言,利用云平台上的GPU集群对复杂模型进行对抗训练,实现对抗知识从数据向模型迁移;利用改进的蒸馏技术将对抗知识进一步从复杂模型向精简模型的迁移,最后提升边缘设备上精简模型的鲁棒性.在MNIST,CIFAR-10和CIFAR-100这3个数据集上进行验证,实验结果表明：提出的这种两阶段对抗知识迁移方法可以有效地提升精简模型的性能和鲁棒性,同时加快训练过程的收敛性.