扩大十字形截面型钢混凝土柱-SRC梁节点抗震承载力试验研究

提出了内置扩大正、斜向十字形截面型钢混凝土柱-工字钢型钢混凝土（SRC）梁节点的构造方式。通过对4个内置扩大正十字形和斜向十字形截面的型钢混凝土柱-SRC梁节点试件和1个内置普通十字形截面型钢混凝土柱-SRC梁节点试件的低周反复荷载试验,研究了试件的破坏特征、滞回曲线、骨架曲线、剪切变形和钢材应变,分析了配钢形式、加载角度和构造措施（直接焊接、竖向隔板连接）对节点受力性能的影响,并在此基础上对节点核心区受剪承载力进行了计算。试验结果表明：上述两种新型截面型钢混凝土梁柱节点均发生节点区剪切破坏,达到极限状态时,节点区箍筋及型钢腹板应力均达到屈服强度,试件型钢及翼缘框内混凝土仍能承担较大荷载,并趋于稳定;新型SRC梁柱节点核心区剪力-剪切角滞回曲线饱满,无捏缩现象,其受剪承载力比相同破坏模式的普通型钢混凝土梁柱节点试件大;柱内采用斜向布置十字型钢以及梁柱正交时,节点试件的剪切承载力更大,所提出的两种构造措施对节点承载能力影响不大。     

浅谈电厂热控系统抗干扰技术

随着电厂自动化设备的增多，干扰已经成为严重影响热控系统稳定性的一个重要原因，对其进行研究具有非常重要的意义，本文以下内容将对电厂热控系统抗干扰技术进行简要的分析，仅供参考。     

西门子SINAMICS G150变频器在转炉干法除尘中的应用

本文论述了西门子G150在唐山国丰钢铁120t转炉静电除尘中的应用。介绍了干法除尘中ID风机变频器的工作原理及在实际中的应用。     

河北唐县齐家佐高岭土矿地质特征及成因探讨

唐县齐家佐高岭土矿赋存于燕山期石英钠长斑岩脉中,高岭土矿体呈脉状产出,层位稳定。矿石类型为高岭石石英型,矿石结构为斑状变余结构,块状构造。初步认为矿床成因类型属风化型高岭土矿床。     

粘结层成分对单晶合金热障涂层寿命影响研究

采用电子束物理气相沉积工艺(EB-PVD)制备了针对第二代单晶高温合金的热障涂层,用SEM观察分析了不同成分粘结层的热障涂层热循环试验后的结构和晶体形貌,在N2条件下对比了不同成分粘结层材料与第二代单晶高温合金的热膨胀系数,分析了热循环试验后粘结层与热生长氧化(TGO)层成分、厚度及完整性情况。结果表明:NiCoCrAlYHf与第二代单晶高温合金热膨胀系数更为接近,匹配性更好;采用EB-PVD工艺制备的热障涂层在热循环试验过程中会产生大量垂直裂纹使涂层具有良好的应变容限;粘结层中Al元素含量的提高以及Hf等元素的加入,使得热循环试验后涂层TGO层的Al2O3纯度较高、生长缓慢无块状物生成,并且极大地改善了粘结层和合金基体的内氧化,涂层1 100℃循环氧化寿命达到1 200 h以上。     

SOHO模式对未来住宅和室内设计的影响

在阐述了SOHO模式的含义及其对建筑空间要求的基础上，论述了SOHO模式对未来住宅和室内设计的影响，并进一步从缓解城市交通、改善生活环境、稳定居住空间和重建人际关系等方面分析了SOHO模式对人们生活的影响，这对今后信息化时代SOHO模式的发展和建设起到了一定的指导作用。     

基于深度学习的列车轴承故障诊断研究

作为列车运行的重要部件,轴承的健康状态是决定列车安全运行的重要因素。轴承的故障诊断一直是行业研究热点。本文针对传统模型提取特征不足、特征信息丢失严重、模型准确率低以及分析识别时间长等问题,结合胶囊神经网络的特征结构,提出了基于深度学习的列车轴承故障诊断研究方法。模型以凯斯西储大学的轴承故障数据为数据集。改进后的神经网络模型在识别准确率、识别速度方面均有提升,本文算法具有一定的先进性。     

酸枣叶黄酮的提取工艺优化 及其抗秀丽隐杆线虫氧化损伤活性

运用响应面法优化酸枣叶黄酮的超声辅助提取工艺,并探究其抗氧化活性。在单因素基础上,筛选出液料比、乙醇浓度、超声功率和超声时间并设计响应面实验。结果表明最优工艺条件为,液料比30.25:1 mL/g、乙醇浓度79.00%、超声功率301.00 W、超声时间32.00 min,酸枣叶黄酮实际提取率4.21%,与预测值4.51%相比,相对误差为6.65%,证明模型理论预测值与实际值拟合效果良好。制得的酸枣叶黄酮对DPPH自由基、ABTS自由基、羟自由基的半数清除浓度(IC₅₀)分别为111.51、23.06和253.73 μg/mL,具有较强的还原力。酸枣叶黄酮能有效增强秀丽隐杆线虫对热应激、H₂O₂氧化应激的抗性,抑制氧化损伤导致的线虫体内GSH-Px、SOD酶活力的降低,抑制MDA含量的增加,具有良好的抗氧化损伤作用。     

煤体红外热像异常区域分割方法

红外辐射可反映煤岩受载破坏情况,用于监测和预防煤岩动力灾害,但红外热像仪生成的红外热像图像素分辨率低、噪声较大,导致检测结果受主观因素影响较大,无法准确识别煤体损伤区域。将深度学习和红外热像结合进行无损检测已成为趋势,但目前结合深度学习和红外热像对煤体受载破坏进行识别检测的研究相对较少。针对上述问题,提出一种基于多尺度通道注意力模块（MS-CAM）U-Net模型的煤体红外热像异常区域分割方法。在传统U-Net模型的编码器中引入MS-CAM,设计了基于MS-CAM的U-Net模型结构,使模型在关注煤体红外热像异常区域显著特征的同时,还关注异常区域小目标特征,以提高异常区域分割精度。为降低煤体红外热像数据集匮乏对模型准确率和适用性的影响,对创建的煤体红外热像数据集进行数据增强操作,并采用MS COCO数据集对基于MS-CAM的U-Net模型进行预训练,再采用煤体红外热像数据集训练,得出最终网络权重。实验结果表明,该方法可有效分割煤体红外热像异常区域,精确率、F1分数、Dice系数和平均交并比分别为94.75%,94.94%,94.65%,90.03%,均优于Deeplab模型、U-Net模...