排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
以Ni-Mn-Ga合金微丝为基础分析Fe元素掺杂前后对合金微丝的形状记忆效应的变化。用真空磁控钨极电弧熔炼炉制备Ni-Mn-Ga-Fe合金,并用高真空精密熔体抽拉设备将母合金制备成微丝。采用EDS能谱分析仪、DSC差示扫描量热分析仪、XRD、DMA动态机械分析仪,研究Fe元素掺杂Ni-Mn-Ga合金微丝后的物相、马氏体相变行为、微丝的形状记忆效应。结果表明,Ni-Mn-Ga-Fe合金微丝显示的是四方结构马氏体相和面心立方结构奥氏体相的混合相,对微丝采用步进式阶梯有序化热处理,有序化热处理能有效降低微丝内部缺陷,释放内应力,细化微丝内部晶粒,收缩晶格体积,马氏体孪晶界面更加平直,孪晶面更易移动,微丝的伸长率提高。在258 K下对制备态Ni-Mn-Ga-Fe合金微丝进行单程形状记忆的测试,拉伸到350 MPa后卸载到0 MPa,随后将微丝升温到奥氏体态后,应变恢复率为78.75%,而在289K对有序化热处理态Ni-Mn-Ga-Fe合金微丝进行单程形状记忆测试,应变恢复率达到100%。在126 MPa和240 MPa下分别对有序化热处理态三元Ni-Mn-Ga合金微丝和Ni-Mn-Ga-Fe合... 相似文献
2.
照射进室内的天然光随时间变化往往是非线性的,在空间上的分布也往往是不均匀的,随着智慧照明技术的快速发展,准确舒适的调光决策依赖于可靠的天然采光照度分布基础数据收集方法。本文采用两种机器学习算法:随机森林(Random Forest)和BP反向传播神经网络(Back Propagation Neural Network),以四种主要输入特征(传感器照度信息、天空亮度信息、时间信息、其他信息(房间尺寸、窗地比、室内平均采光系数、建筑朝向))在实测方法下对室内工作面照度分布进行了实时预测。结果表明,随机森林模型在测试集中的回归决定系数R2为0.826;BP反向传播神经网络模型在测试集中的回归决定系数R2为0.739,随机森林的表现相对较好。两种机器学习算法在室内照度分布预测方面具备发展潜力,在未来建筑的照明智慧化调光及间接节能方面具有正向促进作用。 相似文献
1