基于AHP-GRA的城市内涝风险评估及调蓄池选址

为探索调蓄池的选址方法,综合考虑影响城市内涝的积水风险和超载风险,提出采用层次分析-灰色关联分析(AHP-GRA)方法建立多目标风险评估模型,并对城市内涝风险进行综合分析,以加权灰色关联度小于0.6的节点作为分散调蓄的选址点.应用案例验证表明:以该评估模型选取的位置设置调蓄池与传统的末端调蓄方案相比,对消除城市内涝风险,提高城市防涝标准有显著效果,可得到合理的调蓄池选址方案.     

基于电化学原理的消化道释药电子胶囊研究

基于电化学原理,提出了一种可用于消化道药物释放的微型电子胶囊。该电子胶囊采用电化学反应作为驱动单元的物理模型,它可采用无线遥控方式或定时方式控制药物的定时、定量释放。当胶囊系统接收到控制指令后(如定时时间已到或接收到遥控指令),接通电化学反应电路,产生氢气,该气体驱动活塞机构运动,实现药物释放。释放药量可由控制电路导通时间的长短来决定。     

毕业论文写作与科研素质培养

在分析毕业论文现状和造成毕业论文质量出现下降原因的基础上,为改善和提高学生毕业论文质量,提出要在毕业论文教学环节中重视学生科研素养的培养,规范写作过程的建议。     

从天然左旋多巴合成卡比多巴

天然左旋多巴(Ⅰ)为原料,通过酯化反应得到左旋多巴酯盐酸盐(Ⅱ),Ⅱ与苯甲醛反应得到左旋多巴胺苯甲醛Schiff碱(Ⅲ)。通过相转移催化反应的方法,Ⅲ经过甲基化得到甲基多巴苯甲醛希夫碱(Ⅳ),Ⅳ进一步水解得到具有光学活性的甲基多巴(Ⅴ)。Ⅴ变为乙酯(Ⅵ)后与尿素反应得到化合物(Ⅶ),Ⅶ通过硫酸二甲酯保护羟基得到化合物(Ⅷ),Ⅷ在次氯酸钠作用下脲基被还原成肼基从而得到化合物(Ⅸ),最后,Ⅸ在浓盐酸作用下脱去甲基保护基,得到最终产物卡比多巴(Ⅹ)。该研究结果为卡比多巴的合成,提供了一条以天然左旋多巴为原料的合成路线。     

基于声发射技术飞机关键部件健康监测方法

为解决飞机关键结构部件疲劳损伤的有效监测,及时发现潜在的安全隐患,避免灾难性事故的发生.对于采用先进声发射技术所监测到的某飞机水平尾翼的原始声发射信息,提出采用小波包分析与支持向量机相结合的方法对匕机水平尾翼的健康状况进行识别与诊断.该方法将飞机水平尾翼产乍的原始声发射信号进行多级小波包分解,提取其频带能量作为特征向量,输入到由支持向量机构建的健康监测器对其进行健康识别与诊断.实验结果表明,该方法可以有效、准确地识别并诊断出飞机水平尾翼的疲劳裂纹,为飞机结构部件健康状态的有效监测提供了新途径.     

全站仪高程测量的新方法探讨

结合传统测量方法的不足,提出了全站仪高程测量的新方法,比较了全站仪水准测量和三角高程测量与传统的测量方法,研究了新方法的可行性,总结了新方法的优势,以达到提高测量精度、减少误差来源的目的.     

LY12爆炸复合板垂直界面疲劳性能研究

本文考察了LY12爆炸复合板不同取向的拉伸强度,分层韧性及垂直层合界面疲劳裂纹扩展行为.观测了垂直界面疲劳长裂纹的扩展路径形态,并利用断裂力学理论讨论了材料的层状结构与其疲劳性能之间的关系.结果表明,层合板中的层间界面性能对其疲劳性能具有重要影响,在LY12爆炸复合板中,垂直板面方向的疲劳裂纹在界面处发生了明显的止裂.     

基于1D-CNN的齿轮3D振动信号故障诊断方法

为了解决从齿轮一维振动信号提取故障特征不全面的问题,提出一种基于一维卷积神经网络（one-dimensional convolutional neural network,1D-CNN）的齿轮3D振动信号故障诊断新方法。首先,提取原始三维振动信号各维的时域特征;其次,利用一维卷积神经网络（1D-CNN）模型进行特征选择;最后,将选择后的特征进行重组,重组特征作为1D-CNN故障诊断模型的输入实现故障分类操作。结果表明,利用提出的故障诊断方法,诊断准确率显著提高。模型的结构简单,训练速度快,能够快速实现故障诊断。     

稀土冶炼废水处理过程中草酸再生循环利用研究

针对草酸预处理稀土冶炼废水造成处理成本高的问题,本文系统研究了降低草酸消耗量的方法,同时根据草酸钙与硫酸反应的理论基础,研究了反应温度、硫酸过量百分比等条件对草酸钙转化率的影响,并设计了草酸钙循环转化工艺流程.利用经济价值相对较低的硫酸置换经济价值较高的草酸,从而降低了废水处理成本.对于工业实践具有很好的实用价值及指导...     

基于LTSA和RVM的复合材料损伤预测分析

提出一种基于局部切空间排序(local tangent space alignment,简称LTSA)和相关向量机(relevance uector machine,简称RVM)相结合的复合材料结构损伤演化与预测模型。针对复合材料结构损伤特性,采用疲劳振动试验进行结构损伤预测研究。首先,采用总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法对多传感器采集的复合材料结构健康信息进行自适应分解,得到不同传感器下的多个本征模态分量(intrinsic mode function,简称IMF),并对IMF进行希尔伯特(Hilbert)变换,得到相应的Hilbert边际谱能量作为各传感器的特征信息;然后,采用LTSA进行多特征降维融合得到特征能量,对降维融合后得到特征能量采用距离形态相似度方法定义结构健康指数;最后,将结构健康指数作为建模数据,创建RVM预测模型,并通过预测结构健康指数完成复合材料结构损伤预测研究。验证结果表明,该模型可有效地对复合材料结构损伤进行预测。