不同组织Ti6321合金的绝热剪切行为研究

通过热处理获得等轴组织、双态组织和魏氏组织的Ti6321合金,研究不同组织的Ti6321合金在动态压缩下的绝热剪切行为。利用分离式霍普金森压杆(SHPB)试验装置对帽形试样进行强迫剪切加载,结合扫描电子显微镜和金相显微镜,对其绝热剪切带和微观组织演化进行观察和分析。结果表明:Ti6321合金的绝热剪切敏感性与其组织密切相关,魏氏组织具有最高的绝热剪切敏感性,等轴组织与双态组织的绝热剪切敏感性接近。随着热处理温度的升高,双态组织的Ti6321合金初生α相含量降低,绝热剪切敏感性增大。冲击速度也会对Ti6321合金的绝热剪切行为产生较大影响,随着冲击速度提高,其绝热剪切敏感性提高。     

基于 NSGA-Ⅲ和道路运输能力饱和度的露天矿卡车调度优化方法

为高效调配露天矿卡车运输,进一步降低矿山企业运输成本,提出一 种新的基于 NSGA-Ⅲ和道路运输 能力饱和度的露天矿卡车调度优化方法。 在车流规划阶段,以卡车总运输 量和卡车非作业时间最小为目标,以矿山 各生产要素和生产原则为约束,建立多目标数学模型。 采用 NSGA-Ⅲ多目 标遗传算法进行求解,求解出当前场景下 完成矿山任务需要启用的最少卡车数量,以及理想的车流规划。 在运输实 时调度阶段,提出道路运输能力饱和度的 调度策略,并和固定派车法组成综合调度方法来调整车流。 在某露天矿实 验结果表明:该方法提供了合理的车流规 划,在完成道路车流目标的同时,有效减缓了道路的拥挤程度,减少了卡车在 装载点和卸载点排队发生的频率,能对 矿山系统正常情况和特殊情况进行处理,实现了实时调度卡车排队最优。     

浅议SPC数据分析在质量管控中的运用

通过运用SPC数据分析,查找影响产品质量的因素,提升质量控制能力与水平,确保生产过程趋于稳定。     

基于FR/QR的特种设备数据移动互联网应用服务平台研发

基于FR/QR的特种设备数据移动互联网应用服务平台研发是一个综合业务的人机管理系统,分别由客户端微信公众号与网页后台管理平台2个部分组成,整个系统的开发是对特种设备管理活动中的各种数据信息进行采集处理,降低重复劳动强度,提高业务办理效率,系统的研发是特种设备业务管理走向现代化的重要进步,更是科学发展观指导当今工作的突出体现。     

磺胺的电化学检测研究

以多壁碳纳米管和亚甲基蓝为修饰材料,制备了聚亚甲基蓝和多壁碳纳米管修饰电极(PMB/MWNTs/GCE),探讨确定了磺胺电化学检测的最优条件,获得了较好的研究结果,研究了所制备电极检测磺胺的电化学性能。结果表明,PMB/MWNTs/GCE在磺胺检测中有较好的线性范围,且在实际废水中检测低浓度磺胺有较好的可行性。     

普通燃气锅炉超低氮改造后的锅炉静态特性及锅炉检验重点

通过对普通锅炉超低氮燃烧改造原理及技术的了解,得出普通锅炉超低氮改造后锅炉静态特性,根据各部件改造前后的温度变化特点和节能指标变化的趋势确定锅炉检验的注意事项和节能检查注意事项。     

新型计量斗在锰粉料制块配料中的改进应用

锰粉料制块是解决铁合金冶炼精料入炉的主要途径之一,生产过程中为解决锰粉料粘附计量斗的问题,介绍了一种新型计量斗,阐述他的结构特点和工作原理,实施改进后下料流畅,降低了劳动强度,提高了生产效率。     

基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

水文地质队煤矿防治水工作的重要性

针对伯方煤矿防治水工作进行总结,对煤矿出现水害安全事故的原因进行总结,对煤矿防治水工作中常见的问题进行分析,并且总结相应的解决办法,当前我国的大部分煤矿企业的防治水工作还存在一些问题,影响煤矿开采的正常进行,采取有效的措施去解决这些问题是很有必要的,不仅保证了煤矿开采的安全性,还可以提升煤矿企业的经济效益,促进企业的发展和进步,国家近年来的经济不断发展,对煤矿资源的需求和质量要求也越来越高,煤炭在能源中占有百分之六以上的比例,近些年的煤矿开采过程中面临的安全问题越来越多,在煤矿防治水工作中也出现了很多纰漏,导致了恶性事故的发生,煤矿生产过程中要尤其注意水害的威胁,我国的煤矿开采强度不断增大,对水害的控制难度也在增加,本文就对水文地质队煤矿防治水工作的重要性进行分析。     

一种基于Spark的不确定数据集频繁模式挖掘算法

如何在海量不确定数据集中提高频繁模式挖掘性能是目前研究的热点.传统算法大多是以期望、概率或者权重等单一指标为数据项集支持度，在大数据背景下，同时考虑概率和权重支持度的算法难以兼顾其执行效率.为此，本文提出一种基于Spark的不确定数据集频繁模式挖掘算法（UWEFP），首先，为了同时兼顾数据项的概率和权重，计算一项集的最大概率权重值并进行剪枝；然后，为了减少对数据集的多次扫描，结合Spark框架的优点，设计了一种具有FP-tree特征的新颖的UWEFP-tree结构进行模式树的构建及挖掘；最后在Spark环境下，以UCI数据集进行实验验证.实验结果表明本文的方法在保证挖掘结果的同时，提高了效率.