一种有效的复杂地质体剖面图自动生成方法*

提出了一种基于平面隐函数的实体切割思想和区域自动识别技术的地质体剖面图生成方法。其主要步骤包括：采用平面隐函数实现平面和地质实体的求交运算,生成离散的交线;采用基于KD树的空间索引方法,确定交线的邻接关系,生成地质体轮廓线;封闭的轮廓线将平面划分为多个复杂的区域(内含孔、岛),采用图论的多叉树形式化表达区域存储和组织;最后对多叉树表示的区域进行矢量图案的填充。实验结果表明,该算法有较好的计算效率,是一种比较实用的地质体剖切方法。     

磷石膏生产墙体材料可行性研究

通过正交试验获得磷石膏—矿渣—粉煤灰—石灰—水泥胶凝体系的优化配合比为磷石膏∶矿渣∶粉煤灰∶生石灰∶水泥=30∶25∶24.5∶10.5∶10,并通过XRD、SEM微观分析手段和宏观测定强度的方法探讨了养护制度对该胶凝体系性能的影响。研究结果表明：该胶结料90℃下蒸养7 h,然后自然养护,28 d抗压强度高达43.9MPa,凝结时间正常,耐水性良好。胶结料强度随养护温度的升高而增加;90℃下,胶结料强度随蒸养时间的增加而增加,此温度下蒸养13 h所得制品,7 d抗压强度便达到39.6 MPa。利用最优配比成型的免烧砖能达到非烧结粘土砖15级的要求。     

湿陷性黄土地基强夯有效加固深度预测

对强夯有效加固深度主要影响因素进行分析,考虑能量的转化,综合运用量纲守恒和最小二乘原理,结合一定量的湿陷性黄土地基强夯加固实例,推导了有效加固深度估算公式,并与其他公式进行比较;再结合另外两组湿陷性黄土地基实例,进一步探讨了本文公式的估算效果。新的公式反映了含水量与有效加固深度呈非线性相关,能使得计算效果更好,参数选用方便,对湿陷性黄土地基有一定参考价值。     

基于Matlab的数字散斑干涉图像处理

数字散斑干涉技术(DSPI)是一种高精度的光学测量技术,它适用于物体的形变及位移测量。因为其具有较高的测量精度,所以在航空航天、工业检测和生物医学等精度要求较高的领域都得到了广泛的应用。在数字散斑干涉技术中,条纹图像的处理是十分重要的。本文介绍了利用Matlab对散斑图像进行处理的各种方法和实际效果,包括令两幅图灰度值相减得到条纹图,图像的灰度增强处理,滤波处理,二值化处理和条纹的细化处理,最后提取出较清晰的条纹骨架线,为后续处理工作提供了基础。     

基于神经网络的图像亮度和对比度自适应增强

提出一种高频增强与神经网络相结合的图像亮度和对比度自适应增强方法。利用均值滤波获取原始图像的低频分量,由原始图像与低频分量的差值获取图像的高频分量。同时引入神经网络方法,建立图像的灰度均值、标准偏差与亮度和对比度两个增强系数的非线性映射关系,根据图像本身的均值与标准偏差自动获取增强系数,从而实现图像的亮度和对比度的自适应增强。该方法计算量小,实时性强,对亮度和对比度都较低的图像增强效果较好,可用于图像动态检测系统。为了验证算法的可行性,将所提出的方法应用到货车故障动态图像检测系统(TFDS)所采集的动态图像处理中,获得了好的效果。     

有限体积法求解立体角离散误差

为解决采用有限体积法求解辐射传输方程时引起离散误差的问题,从有限体积法立体角内热流密度的求解过程出发,运用泰勒级数推导了近似误差的表达式,并分析影响离散误差的各种因素,包括离散射线数,辐射强度分布,假散射及网格比.根据分析结果,采用辐射强度的连续分布模型,模拟了各种因素对误差的影响.结果表明,辐射强度的分布函数对于有限体积法的离散误差有一定程度影响.当增加网格数及减小网格尺寸比时,可以有效地减小离散误差.假散射与离散误差间呈较强的非线性耦合关系.     

基于红外原理的微型多气体检测系统的设计

为了解决目前煤矿瓦斯事故以及大量使用天然气的家庭安全、环境污染等问题,设计并开发了一种具有集成化、微型化的红外多气体检测系统,通过实验数据的测试对比和数据分析,这种系统达到了微功耗、微体积、宽量程、高分辨率等技术要求,且能集成多气体检测的微型检测系统.重点介绍了红外检测的光学原理,以及从单气体检测引入到集成多气体检测的设计思想和方法,并介绍了有关CAN总线的数据传输方式和无线数据通信方式在系统中的应用.     

利用玉米秸秆制备高吸水树脂

将玉米秸秆预处理后与丙烯酸接枝共聚制备高吸水性树脂,采用单因素实验确定了合成条件中各因素的最佳水平:θ=45℃,引发剂中过硫酸钾用量为单体质量的0.8%,交联剂N,N-亚甲基双丙烯酰胺(MBAM)用量为单体质量的0.6%,m(AA)∶m(玉米秸秆)=8∶1,丙烯酸中和度为70%,t=4 h。对最佳条件下制备的树脂进行了性能测试,对秸秆预处理前后及产物进行了扫描电镜分析。结果表明,该树脂具有良好的吸水、保水性能,吸水率最高达到291 g.g-1,吸盐水率达到49 g.g-1。     

On-line least squares support vector machine algorithm in gas prediction

Traditional coal mine safety prediction methods are off-line and do not have dynamic prediction functions. The Support Vector Machine (SVM) is a new machine learning algorithm that has excellent properties. The least squares support vector machine (LS-SVM) algorithm is an improved algorithm of SVM. But the common LS-SVM algorithm, used directly in safety predictions, has some problems. We have first studied gas prediction problems and the basic theory of LS-SVM. Given these problems, we have investigated the affect of the time factor about safety prediction and present an on-line prediction algorithm, based on LS-SVM. Finally, given our observed data, we used the on-line algorithm to predict gas emissions and used other related algorithm to com- pare its performance. The simulation results have verified the validity of the new algorithm.     

3D Simulation Research on Urea-SCR DeNO<em>x Catalyst for Diesel Engine

In order to reduce oxides of nitrogen (NOx) emanated from a diesel eng ine, a comprehensive urea selective catalyst reduction (SCR) DeNOx catalys t was modeled in which numerical simulations were used as a complementary tool f or the experimental investigations to make the design decisions, and hence short en the development process. In this approach, relevant conversion reactions were studied in 1D model, and the parameters obtained in this way were transferred t o 3D simulations. According to the results ...