在Gleeble-3800热模拟试验机上进行大变形等温压缩试验,研究Cr-Co-Mo-Ni齿轮钢的高温热变形行为和显微组织,分析材料流变应力与变形温度和应变速率的关系,建立热变形过程的本构方程和热加工图.该材料的流变应力随着温度的升高而下降,随应变速率的增加而增加;用双曲正弦函数式可描述其在热变形过程中的流变应力,热变形活化能为487.21k J·mol-1;热加工图显示的适宜加工区间为温度1000-1100℃,应变速率0.1-1 s-1.在热模拟试验基础上进行该钢种锻造工艺的有限元模拟,并结合热加工图分析初锻温度和加工道次对于锻件温度和应变速率的影响,得出适宜的模锻工艺参数为初锻温度1000-1100℃,锻造道次15次

一、什么是活动图 二、如何运用活动图 三、如何应用泳道

本文目的是建立大型熔铸涡轮盘的疲劳蠕变交互作用下的第一类断裂特征图,为此先测定了恒最大应力下的高温疲劳蠕变断裂寿命曲线,称为FC-Nf曲线,它们既不同于纯疲劳的S-N曲线,又不同于纯蠕变断裂曲线,而是二者的综合。根据寿命对应力的不同依赖关系可以把曲线分成F、C与FC三区。根据断裂机构的理论分析与断口观察,又存在着五个不同断裂机构区。在宏观与微观分析相结合的基础上建立了第一类断裂特征图。它提供了关于断裂机构与寿命资料。据此讨论交互作用的几种特征。采用竞争模型与积累模型可以表示疲劳蠕变交互作用的本质

通过Gleeble-1500热模拟单轴压缩试验，研究了一种含1.79% Al （质量分数）的以Al替代Si微合金化高强度钢在温度为900-1100℃、应变速率为0.01-30 s-1条件下的热变形行为.建立了考虑应变量对材料常数影响的双曲正弦本构方程，利用建立的本构方程预测的应力-应变曲线与实验值吻合良好，表明建立的本构方程可以对实验钢的流变应力给出相对准确的预测.建立了实验钢的加工图，根据加工图分析确定了实验钢的动态再结晶区为1000-1100℃和0.01-1 s-1.组织观察表明在动态再结晶区实验钢发生了动态再结晶，而失稳区对应的组织出现了变形集中带或“项链”组织.最后将建立的本构方程和加工图联合运用，为更全面地研究实验钢在不同变形条件下的热变形行为提供了方法

为了解决Cr20Ni80电热合金锻造开裂的问题,在Gleeb-1500D热模拟试验机上对该合金进行热压缩试验,研究变形温度为900-1220℃,应变速率为0.001-10 s-1条件下的热变形行为,并根据动态材料模型建立合金的热加工图.合金的真应力-真应变曲线呈现稳态流变特征,峰值应力随变形温度的降低或应变速率的升高而增加;热变形过程中稳态流变应力可用双曲正弦本构方程来描述,其激活能为371.29 kJ·mol-1.根据热加工图确定了热变形流变失稳区及热变形过程的最佳工艺参数,其加工温度为1050-1200℃,应变速率为0.03-0.08 s-1.优化的热加工工艺在生产中得到验证

根据有关的热力学数据和Criss、Cobble提出的熵对应原理计算了Sb—H2O体系在100、150、200℃下的电位—pH图。计算结果表明,随温度升高Sb的稳定性区域稍有缩小,特别是在高pH值的部份有同较低电位和较小PH值方向移动的趋势,在SbO2-,SbO3-区域扩大的同时Sb2O3,Sb2O5的稳定区域亦缩小。这是由于随温度上升,这些离子稳定性增加的缘故。最后,依照电位—pH图对钢铁表面上Sb涂层的腐蚀与保护条件进行了初步探讨

通过高温压缩试验研究齿轮钢SAE8620H在950~1100℃、应变速率0.01~10 s-1条件下的高温变形行为.该合金钢的流动应力符合稳态流变特征,流变应力随变形温度升高以及应变速率降低而减小,其本构方程可以采用双曲正弦方程来描述.基于峰值应力、应变速率和温度相关数据推导出SAE8620H高温变形激活能Q=280359.9 J·mol-1.根据变形量40%和60%下应力构建该齿轮钢的热加工图,通过热加工图中耗散值及流变失稳区确定其热变形工艺参数范围.SAE8620H钢在在变形程度较小时宜选取低的应变速率进行成形,而在变形程度大时则要选取低温低应变速率或者高温高应变速率

为实现结晶器过程可视化和辅助漏钢预报技术，提出一种等值线区域填充法快速高效绘制直观的结晶器在线热像图的方法.该方法通过离散数据网格化、等值线生成和等值多边形填充绘制云图.其中，等值线生成采用网格序列法和单元剖分法结合，避免了已往的等值线追踪和二义性问题，高效准确，实现简单.将该方法与扫描母元法相比，前者绘制云图速度快，保证了精度和质量，优于后者，且算法复杂度的分析也证明了前者时间效率较高.实际应用结果表明，该方法绘制的结晶器在线热像图能很好地反映正常和非正常情况下结晶器内部温度场的特征，可满足实际生产要求

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响

一、什么时协作图 二、如何运用协作图 三、如何对主动对象、并发和同步建模