含硼微合金钢的静态及动态软化行为

运用gleeble-1500热模拟试验机November对含硼微合金钢进行了单、双道次压缩模拟,并通过非线性回归分析得到了静态与动态软化百分比(X)与变形温度(T)、变形程度(ε)、变形速率(ε·)、原始晶粒尺寸(d0)、道次间隔时间(t)之间的关系。     

小型科技项目预算与财务管理探讨

本从小型科技项目的特点出发，结合其研发过程，详细介绍分析了在小型科技项目中的预算与财务管理，并设计了一套针对小型科技项目的分析、评估与考核的参数标准。     

钒微合金钢中形变奥氏体的静态再结晶和诱导析出动力学

采用扭转试验和外推法，研究了三种不同含钒量的微合金钢形变奥氏体的静态再结晶动力学，建立了静态再结晶临界温度（ＳＲＣＴ）以上及其以下的温度模型。业已发现，ＳＲＣＴ是应变、奥氏体晶粒尺寸和现合金含量的函数，这里的微合金即指Ｎ和Ｖ。还对三种钢的应变诱导析出动力学进行了研究，测定了它们的析出－时间－温度（ＰＴＴ）曲线。测定了未再结晶温度（Ｔｎｒ），并得出结论，Ｔｎｒ和ＳＲＣＴ之间差异主要是由于奥氏体晶粒尺     

玻璃盘基对高密度硬盘介质静态磁性参数测量的影响和消除方法

高密度硬盘介质静态磁性参数的精确测量对研制高密度硬盘至关重要.本文从测量系统和材料两方面对玻璃基噪声的影响机理做了较详尽的分析;并介绍了消除玻璃基噪声影响的四种方法,这四种方法在测量同一硬盘介质静态磁性参数时相对偏差小于5%,因此这四种方法都是切实可行的.     

基于提升静态小波包变换的自适应消噪方法

基于离散小波变换(DWT)的自适应消噪方法为雷达信号的滤波提供了一种可行的方法.但DWT不具有平移不变性,若不用相同的小波对滤波后的信号进行重构,则会带来较大的重构误差.针对这一现象,提出了一种基于提升静态小波包变换的自适应消噪方法,它推导了静态小波包的提升实现方法,并设计出适合该系统的确定最优小波包分解树的相应步骤,利用引入更多动量因子的权系数迭代公式对各子带进行自适应匹配,并将匹配结果二次自适应,得到拟合的原信号.仿真结果表明,该方法可在计算量增加不大的前提下,进一步改善系统的滤波性能.     

旋流-静态微泡浮选柱在铝土矿选矿中的应用

本文简单总结了在铝土矿资源日趋贫化的背景下,中州分公司引进旋流-静态微泡浮选柱工业试验的一些情况,为以后铝土矿选矿技术改造提供了一些有价信息。     

基于静态分析的强制访问控制框架的正确性验证

现阶段对操作系统的强制访问控制框架的正确性验证的研究主要集中于对授权钩子放置的验证.文中基于TrustedBSD MAC框架对强制访问控制框架的正确性验证问题进行了研究,在授权钩子放置验证的基础上,提出了安全标记的完全初始化验证和完全销毁验证.为了实现上述验证,文中提出了一个路径敏感的、基于用户自定义检查规则的静态分析方法.该方法通过对集成于编译器的静态分析工具mygcc进行扩展来验证强制访问控制框架的钩子放置的准确性和完备性.该方法具有完全的路径覆盖性.且具有低的误报率和时间开销.     

基于粒子群优化算法支持向量回归预测法的大电网电压稳定在线评估方法

提出基于粒子群优化算法支持向量回归预测法(particle swarm optimization support vector regression, PSO-SVR)的大电网电压稳定在线评估方法,将传统基于深度神经网络(deep neural networks, DNN)模型的电压稳定评估方法改进为PSO优化过的SVR模型,对阻抗模裕度指标进行预测。该方法利用了SVR模型具有学习能力强、泛化错误率低的优点,在小样本的情况下也可以很好地学习到样本中的特征。同时克服SVR模型对于参数调节和函数选择非常敏感的问题,利用PSO算法对SVR模型的超参数进行优化选择,可以让SVR模型更好地学习到电网运行数据和阻抗模裕度值之间的非线性关系。最后,该方法在IEEE 118节点系统进行验证,并与基于DNN模型的评估方法进行比较,验证了其精度水平高于基于DNN模型的方法。     

西南桦木包装材料在热处理后的润湿性能研究

通过动态接触角测量、红外光谱分析、表面粗糙度测量、扫描电镜观察和偏相关分析,研究了西南桦木的润湿性能。结果表明,木材经180℃热处理4 h后,润湿性能下降:接触角由40°增至121°,羟基和羰基数量减少,粗糙度降低;处理时间与接触角显著相关;西南桦木用作包装材料,若采用热处理,可去除有害生物,还具备疏水功能。     

通州 开展公路在用汽车衡专项检查

为进一步规范辖区公路汽车衡的使用管理．近目,北京市通州区局联合区交通局开展了公路在用汽车衡专项检查。此次共检查7家单位,其中高速公路收费站1家、综合检查站4家、超限超载检查站2家：检查汽车衡17台,其中动态汽车衡16台．静态汽车衡1台,总体检查情况较好。