白口铸铁是一种重要的抵抗磨损的金属材料。其抗磨性决定于硬度,强度和韧性的综合性能指标因而与其组织组成物的结构,显微硬度,相对数量,分布及内聚强度都有密切的关系。铸态组织就是高显微硬度的碳化物孤立地分布在马氏体基体时较为理想,而合金化和变质处理的正确选用是最经济合理地获得理想组织的关键。从我国资源出发,锰合金化是有前途的但为扬长避短,锰含量不宜过高,而为获得铸态马氏体组织应辅加铜、铬、钼、硼等多种合金元素。硼的加入可以提高锰白口铸铁的淬透性,碳化物的显微硬度和整体硬度。合适的硼加入量既可得到上述效果而又不降低韧性。硼在镍铬白口铸铁中也可以提高碳化物的显微硬度。硼的加入使白口铸铁中碳化物的数量增多。采用包内变质处理的方法而不用高合金化的方法改变碳化物的分布,经济合理而且简便可行。稀土变质处理能使碳化物成为紧实的板块状而不是成为粗的网状聚合物,使韧性显著提高(αk=0.8公斤-米/厘米2)。硼的加入能使碳化物成为方块形。但如何控制工艺参数保证获得应有的变质效应的试验研究工作还需继续

1. 明确高分子化合物的一些基本概念：高聚物，单体，结构单元， 聚合度，加成聚合，缩合聚合，链式聚合，逐步聚合，齐聚物，共 聚物，近程结构，远程结构，平均分子量，分子量分布，玻璃化温 度，粘流温度。 2. 了解高分子科学的研究对象和高分子化合物的基本应用。 3. 明确高分子化合物的基本特点，了解它们的分类方法，命名方 法，及合成原理。了解高分子化合物反应类型、特征及其应用。 4. 了解高分子化合物的结构与性能的关系

介绍在“高分子物理实验”教学中新开设的又一个计算机模拟实验,即应用自编的改进型 四位置模型,模拟二维空间中的自回避行走链和无规行走链,并验算均方末端距和均方回转半径与 聚合度的标度关系,所得结果与 de Gennes的理论符合良好

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强

采用红外光谱、X射线衍射、透射电子显微术结合电导率测量,研究了以过硫酸铵为氧化剂,十二烷基苯磺酸为掺杂剂,通过乳液聚合法合成的聚苯胺的性能与结构.实验中发现:聚苯胺的电导率随合成时氧化剂、掺杂剂与苯胺相对比例的改变而发生明显变化,并在某一比例达到峰值,同时伴随有红外光谱某些特征峰峰位与峰高的相对变化,而晶化程度也随合成条件不同而呈现差异,性能最佳的聚苯胺的微观形貌呈纤维状,对应于最大的晶化程度,接近于中间氧化态.这些结果表明:氧化与掺杂条件的变化影响到聚苯胺中苯环与醌环的相对比例、聚苯胺链的排列有序度,而这些也是影响聚苯胺电导率的重要因素