GH4169合金低压涡轮机匣异形环锻件胀形工艺

为了解决低压涡轮机匣异形环锻件轧制成形精度低、余量大、材料利用率低、周期长等问题,采用数值模拟与工艺试验试制相结合的方法,研究了GH4169合金低压涡轮机匣异形环锻件胀形工艺。模拟研究阐明了胀形变形量对低压涡轮机匣轧制成形锻件的应力、应变、温度分布及均匀性的影响规律,综合考虑建议胀形变形量取1.5%较为合理;胀形过程的工艺试制研究表明,通过胀形工艺对轧制成形的GH4169合金低压涡轮机匣异形环锻件进行整形,可显著降低锻件的椭圆度、提高锻件的尺寸精度,减小锻件余量并提高余量均匀性,提高材料利用率,同时可有效提高锻件的力学性能及其均匀性。锻件余量均匀性的提高也可有效减小低压涡轮机匣零件的机加工变形。     

3D打印裂隙岩体动态力学性能及能量耗散规律初探

地下岩体结构经常遭受到地震、爆炸、冲击振动等产生的动力扰动，利用3D打印技术的优势研究冲击荷载下岩体动态力学性能对实现3D打印技术在工程领域的应用具有重要意义。采用φ50 mm的变截面霍普金森压杆(SHPB)装置，对含预制裂隙的3D打印岩体试样进行动态单轴压缩试验。研究结果表明：试样的动态抗压强度随着预制裂隙倾角的增大呈现出先减小后增大的趋势，当预制裂隙倾角为30°时试样强度最小，当预制裂隙倾角为90°时试样强度最大。与3D打印岩体试样的静态单轴压缩强度对比发现，3D打印砂性材料具有明显的率效应，当应变率为139.65 s^-1时，3D打印岩体试样的动态抗压强度是静态抗压强度的4.34倍。预制裂隙缺陷在一定程度上加剧了试样的能量耗散和破碎过程，并且30°倾角预制裂隙对试样能量耗散和破碎结果的影响程度最大。同时，3D打印岩体试样的能量耗散过程与破碎块度表现出明显的自相关性，所用的3D打印砂性材料的宏观破碎结果与能量耗散之间的关系与天然岩石材料有一定相似性，为今后3D打印材料模拟天然岩体应用于动态力学试验的可行性奠定了基础。     

有机二氟化硼配合物的合成及压致变色性能表征

以阿伏苯宗和三氟化硼为原料,经过一步反应,合成阿伏苯宗二氟化硼(BF2AVB),产物的结构经1HNMR谱确证.基于荧光光谱与X射线粉末衍射测试,对BF2AVB的压致发光性能和机理进行研究.本实验原料易得,反应条件温和,实验操作简单,反应收率高.BF2AVB的压致变色现象明显,通过探讨压致变色机理,加深同学对压致变色材料的了解.同时,该实验可以拓展学科知识,激发学生的专业热情和科研兴趣.     

齿轮加工中的磨齿修形方法的研究

齿轮作为各类机械传动系统的核心,在工作过程中的稳定性和可靠性直接决定着机械设备运行的可靠性和安全性。因此,针对机械设备对传动精度和寿命要求的不断提升,提出了一种新的磨齿修形方法。运用该方法,极大地提升了齿轮的齿形精度,能够显著降低在啮合过程中的齿顶边缘接触现象,降低振动冲击,提升齿轮的使用寿命。     

GB/T29342—2012《肉制品生产管理规范》的主要内容(1)

<正>为规范肉制品加工企业的生产管理,保证肉制品的质量安全,国家质检总局和国家标准化管理委员会于2012年12月31日颁布了GB/T 29342—2012《肉制品生产管理规范》自2013年8月1日起实施。GB/T 29342—2012规定了肉制品加工中的文件要求以及原料、辅料、食品添加剂和包装、厂房和设施、设备、人员的要求及管理、卫生管理、生产过程管理、质量管理和标识等方面的内容。1总则1)应建立有效的肉制品生产质量管理体系,形成文件,加以实施和保持,并予以持续改进。2)应确定肉制品生产质量管理体系的范围。该范围应规定所涉及的产品或产品类别、加工过程和生     

脱硫脱硝制酸废水中S的形态及其去除研究

活性炭烟气脱硫技术在烧结厂得到了广泛应用。在活性炭的高温再生过程中,会形成单质S。单质S被洗涤时,会形成S胶体进入制酸废水。S胶体因具有强粘结性,若不去除,易导致设备堵塞。因此,需系统分析单质S的形态特征,并开发针对性的去除技术。本文采用Raman、FTIR等方法分析单质S的形态,利用浊度法分析S在废水中的变化特征。基于电荷中和的原理,利用S胶体与废旧活性炭粉的复合实现快速分离,S胶体去除率可达99%以上。新方法的应用避免了S胶体进入废水处理系统和后续制酸系统,且分离后的活性炭粉复合物可返烧结做燃料使用。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。