为研究压下对连铸坯内部裂纹产生的影响，利用ABAQUS有限元软件建立了230 mm×280 mm断面大方坯压下数学模型。通过压下模型对重轨钢连铸坯压下过程进行热力耦合模拟计算，对压下过程中产生的内部裂纹进行了预测。首先，对连铸坯不同中心固相率为0.3～0.7的温度场进行计算；然后，利用压下模型计算了连铸坯中心固相率0.3～0.7时凝固前沿的等效塑性应变。研究结果表明，在连铸坯中心固相率为0.3～0.7的位置处分别施加7 mm压下量进行压下，连铸坯凝固前沿等效塑性应变未超过临界等效塑性应变（0.4%），连铸坯未出现内裂纹；同时，对连铸坯在中心固相率为0.6位置处进行了不同压下量的研究，研究结果表明，当连铸坯压下量超过7 mm时，凝固前沿的等效塑性应变超过临界塑性应变（0.4%），连铸坯出现内裂纹，并且压下量越大，连铸坯内裂纹越严重。同时，工业试验结果与模型计算结果基本吻合，验证了模型计算的准确性

流产 一、概念:妊娠不足28周,胎体重不足 1000克而终止者称为流产。 二。时间分类: 早期流产<12周 晚期流产12—27周

定义 分娩:妊娠满28周及以后的胎儿及其附属物,从临产发动至从母体全部娩出的过程,称分娩。 早产:妊娠满28周至不满37足周间分娩称早产。 足月产:妊娠满37周至不满42足周间分娩称足月产; 过期产:妊娠满42周及其后分娩称过期产

自从《系统化教学设计》一书第一次出版到现在,已经过去了很多年。在这些年里,教 学设计领域一直在发展,不仅是作为一个学科,也成为了一种职业。越来越多的大学开始开 设教学设计方面的课程,越来越多的公司开始聘用教学设计师。 一般来说,一本书的新版都要包括该领域的新趋势和新思想。我们也面对着教育技术领 域的一系列重大发展。例如“绩效技术”一词,现在作为上位概念包含了教学设计,因此我 们就需要决定是否要在这本书中包含绩效技术的方方面面。再比如,最近十年用计算机传递 教学有明显地增加,这与1978年我们这本书第一次出版时的情形完全不同,那时候基于大 型机的计算机辅助教学似乎代表了未来的方向,而现在却已过时

环境监测中理化监测的不足: 目前在环境监测中,一般采用各种仪器和化学 分析手段、对污染物的种类和浓度可以比较快速而 灵敏地分析测定出来,其中某些常规检验已经能够 连续监测。但大部分测定项目或参数还需定期采样。 因而只反映采样瞬时的污染物浓度,不能反映环境 已经发生的变化

热力学第一定律给出了各种形式的能量 在相互转化过程中必须遵循的规律,但并未 限定过程进行的方向。观察与实验表明,自 然界中一切与热现象有关的宏观过程都是不 可逆的,或者说是有方向性的。例如,热量 可以从高温物体自动地传给低温物体,但是 却不能从低温传到高温。对这类问题的解释 需要一个独立于热力学第一定律的新的自然 规律,即热力学第二定律

对偶:两个不同的元件特性或两个不同的电路, 却具有相同形式的表达式

研究了Al质量分数为0.77%及不含Al的H11钢在不同淬回火处理工艺下的硬度和冲击功的变化规律，并对两种钢原始退火态、1060℃淬火、1060℃淬火+510℃回火、1060℃淬火+560℃回火和1060℃淬火+600℃回火处理后的试样进行碳化物萃取，同时借助扫描电子显微镜（SEM）和X射线衍射仪（XRD）分析了Al对H11钢中碳化物形态及类型的影响.结果表明：（1）Al能提高H11钢的冲击韧性和回火硬度，但会使淬火硬度有所降低.（2）Al可以促进H11钢淬火过程中碳化物的溶解和元素的均匀分布.（3）Al会阻碍H11钢回火过程中碳化物的析出和聚集，这种作用在560℃以下回火时更加显著.（4）Al可以使H11钢回火时的（Fe，Cr）2C、MoC、Cr7C3类碳化物更加稳定，抑制（Fe，Cr）3C、Mo2C和Cr23C6类碳化物的析出，这是因为Al可以阻碍H11钢中碳及合金元素在回火过程中的聚集

刚体:在外力作用下,形状和大小都不发生变 化的物体.(任意两质点间距离保持不变的特殊质点 组) 刚体的运动形式:平动、转动 平动:若刚体中所有点 的运动轨迹都保持完全相同, 或者说刚体内任意两点间的 连线总是平行于它们的初始 位置间的连线 刚体平动一质点运动

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验