一种架空蒸汽管滑动支座保温结构的优化方案

以山西某市工业园区架空蒸汽管网工程为例,提出了一种架空蒸汽管滑动支座的保温新结构,计算了普通滑动支座和新保温结构滑动支座的散热损失,并结合前期施工成本和后期运行费用,对普通滑动支座和新保温结构滑动支座进行了技术经济分析。结果表明,新保温结构滑动支座在施工阶段成本费用较高;但在运行期间可有效减少由于滑动支座弧形板处热损失所导致的蒸汽损耗的运行费用。因此采用新保温结构滑动支座实现了运行阶段的稳定、安全、节能、节省费用等。     

蒸汽直接接触间歇凝结界面行为及压力振荡研究进展

间歇凝结由于具有过冷水周期性进入蒸汽管并排出的特点而不同于蒸汽直接接触凝结的其他流型,该过程伴随汽液界面瞬时热质传递和强湍流。文中主要从典型周期内凝结汽液界面演变过程、压力振荡以及热量传递三个方面进行回顾和评述,就间歇凝结的时空演变而言,可大致分为5个典型阶段,即汽泡增长、汽泡破裂、过冷水被吸入蒸汽管、管内凝结以及蒸汽再次喷出。在压力振荡方面,间歇凝结压力瞬变从负峰值开始后进行正弦波动,并具有低频高振幅的特性。目前,关于汽液界面瞬时传热方面的研究仍有较大提升空间,与之相关的界面传热系数大多通过简化模型获得。此外,在展望部分还对微通道条件下间歇凝结在电器元件高效散热领域的最新应用进行了简要评述。     

浅谈压力式温度计示值误差测量结果的不确定度评定

为了帮助试验人员深入了解压力式温度计的原理及作用,详细介绍了温度计示值误差测量结果的不确定度评定方法。影响压力式温度计示值误差结果的主要因素是,被检温度计的示值重复性、恒温槽温度不均匀性和恒温槽温场的波动。为了保证压力式温度计测量结果不确定度评定具有较高的可靠性,试验人员需要对影响评定可靠性的各种因素进行全面的分析,找出温度计示值的误差,从而确保温度计能够更好的被投入使用。     

ATC与PSV对接受机械通气支持的呼吸衰竭患者在自主呼吸实验时通气参数及拔管情况的影响

目的:对比接受机械通气支持治疗的呼吸衰竭患者应用自动导管阻力补偿技术(ATC)与压力支持通气(PSV)对自主呼吸试验(SBT)及拔管情况的影响。方法:选取本院2017年1月-2019年3月收治的100例接受机械通气支持治疗的呼吸衰竭患者作为观察对象,所有患者均符合撤机标准。应用随机数字表法分为ATC组与PSV组,每组50例。ATC组撤机过程中接受ATC治疗,PSV组撤机过程中接受PSV治疗。对比两组撤机过程中SBT通气参数及拔管相关情况。结果:ATC组成功拔管46例,PSV组成功拔管38例,ATC组拔管成功率明显高于PSV组(P<0.05)。在1 h通气过程中,两组呼吸频率(RR)、心率(HR)、收缩压(SBP)及舒张压(DBP)均呈现升高后降低趋势(P<0.05),但两组各时间点RR、HR、SBP及DBP比较,差异均无统计学意义(P>0.05)。两组SBT的潮气量(VT)、分钟通气量(MV)及浅快呼吸指数(RSBI)比较,差异均无统计学意义(P>0.05);ATC组吸气峰流速(PIFR)、气道峰压(PIP)及呼气达峰容量比(VPEFR/VTE)均低于PSV组,而呼气峰流速(PEFR)高于PSV组,差异均有统计学意义(P<0.05)。结论:ATC可在不影响接受机械通气支持治疗的呼吸衰竭患者生命体征的同时,有效提高拔管成功率,并改善患者的SBT结果。     

工作面支承压力峰值计算方法研究

为了确定区段煤柱尺寸和预防动力灾害事故(瓦斯事故、冲击地压、底板突水等),对支承压力分布规律进行研究。采用理论分析、数理统计研究方法,研究支承压力峰值大小,提出支承压力峰值大小的计算公式。以山西省内30个煤矿144个地应力测试数据为基础,进行支承压力峰值系数计算,得出峰值系数为2.88~5.06,符合国内学者的共识,支承压力峰值是3~5倍的上覆岩重,进一步验证了支承压力峰值的计算公式的合理性。     

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。