通过对低合金钢(FCW-62)在-100℃1~500mm/min不同加载速率下缺口试样四点弯曲实验及断裂应的测量,研究了加载速率对低合金钢缺口试样断裂行为的影响.结果表明:加载速率较低时,断裂应力较高;加载速率较高时,断裂应力较低.断裂应力的变化是由断裂的临界事件随加载速率的变化引起的,并且当临界事件相同时断裂应力不随加载速率变化.当加载速率在30mm/min左右时,缺口韧性随加载速率的增加迅速下降,这是由于断裂应力在此时发生了突然改变

11.1 建立表单 11.1.1 用表单向导建立表单 11.1.2 表单设计器 11.1.3 使用表单集扩充表单 11.1.4 设置数据环境 11.2 表单的属性、事件和方法 11.2.1 管理表单属性 11.2.2 管理表单事件和方法 11.3 修改和保存表单 11.3.1 修改表单 11.3.2 保存表单 11.4 运行表单 11.4.1 在设计时运行表单 11.4.2 从程序中运行表单

西安建筑科技大学：《概率论与数理统计》课程教学课件（PPT讲稿）第1章 随机事件及其概率 1.5 随机事件的独立性

10.1 面向对象程序设计的基本概念 10.1.1 对象和类 10.1.2 继承、封装和多态 10.1.3 属性、事件和方法 10.2 Visual FoxPro中类的操作 10.2.1 Visual FoxPro的基类 10.2.2 创建类 10.2.3 类的设置 10.2.4 类的修改 10.3 Visual FoxPro中对象的操作 10.3.1 由类创建对象 10.3.2 创建对象的引用 10.3.3 为对象设置属性 10.3.4 调用方法程序 10.3.5 触发事件

试验模拟干湿循环作用下混凝土受10%(质量分数)硫酸钠溶液侵蚀的腐蚀环境,测试和分析硫酸盐不同侵蚀时期混凝土单轴压缩试验时波速和声发射的变化特征.采用环境扫描电镜和能谱仪进行微观观测并结合X射线衍射测试手段分析受蚀混凝土的损伤机理.结果表明:受侵蚀60 d和80 d的试件加载初期会有较明显的压密阶段,试件受硫酸盐侵蚀和干湿循环作用愈久,加载中波速急剧下降的突变点愈提前;受蚀40 d以上的试件加载中声发射事件活跃区间较集中,在腐蚀产生的缺陷和薄弱位置容易出现应力集中和能量集中释放,声发射事件数量急剧上升的突变点提前.通过数学模型以声发射累积振铃计数为损伤变量建立损伤模型可以表征混凝土中环境腐蚀、荷载及损伤之间的作用关系.腐蚀阶段钙矾石与石膏的膨胀作用和硫酸钠的结晶压在试件内部形成微破损,受蚀混凝土表现出不同宏观性能

7.1 数组元素 7.2 声明数组和使用数组 7.3 对象数组 7.4 命令行参数 7.5 可变长度参数列表 7.6 二维数组与多位数组 7.7 ArrayList类 7.8 多边形与折线 7.9 鼠标事件 7.10 键盘事件

利用MTS 815.03岩石试验机对试件进行三轴压缩试验,采用DISP声发射测试系统进行声发射数据收集,并对含陡倾角软弱结构面的岩体试件和岩石试件进行试验对比.两种试件随围压的增加强度逐渐增加,破坏由脆性向延性转变;岩体试件总是沿结构面滑移破坏,岩石试件为剪切破坏.随着围压的增加,两种试件的弹性模量、变形模量、峰值应变和峰值强度增加;岩体试件弹性模量、变形模量值和峰值强度低于岩石试件,而峰值应变高于岩石试件.岩体试件内摩擦角小于岩石试件,而黏聚力大于岩石试件.随围压的增加,两种试件在峰值应力阶段声发射事件远高于其他阶段,而岩体试件声发射事件集聚量远远高于岩石试件.研究结果表明软弱结构面的存在降低了岩体的力学性质,因此在高放废物地质处置库选址时结构面发育特征是需要考虑的关键因素

生物战的历史 -结合实例讲解（鼠疫、天花、炭疽） “731”部队的罪行 生物战防御的基本知识 -微生物的分类 -防御 突发事件的应对 思考题

5.1 布尔表达式 5.2 if语句 5.3 数据比较 5.4 switch语句 5.5 while语句 5.6 迭代器 5.7 do语句 5.8 for语句 5.9 使用循环语句和条件语句绘图 5.10 确定事件源 5.11 对话框 5.12 其他按钮事件

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪