根据中锰钢热轧组织结构确立两相区奥氏体化的几何模型和初始条件,利用DICTRA动力学分析软件对中锰钢马氏体基体奥氏体化过程进行计算分析.在奥氏体化初期的形核过程中,马氏体中过饱和的碳锰元素从铁素体迅速转移到奥氏体并在相界面奥氏体一侧聚集.后续的相变过程中,碳在奥氏体中快速均化,但锰在相界面奥氏体一侧的聚集加剧.相变初期奥氏体界面推移速度比中后期高出若干个数量级,但随时间推移迅速衰减.相变初期相界面推移是碳扩散主导,相变后期界面推移受到锰在奥氏体中扩散速度制约.温度升高可显著提高相界面推移速度.达到相同数量奥氏体的情况下,低温长时退火有利于锰从铁素体向奥氏体转移并提高其在奥氏体中的富集度,从而提高奥氏体的稳定性

MFC类库除了提供封装Windows界面元素对象的类， 如CWnd、CMenu、CDialog等，还提供了一些通用的类。 本章主要叙述字符串类、日期时间类和集合类的使用及 主要成员函数，最后结合实例，说明使用该类的方法和 技巧

由于小波变换技术在20世纪90年代初期已经比较成熟，因此从那时起就开始出现各种新 颖的小波图像编码方法。这些编码方法包括EZW, 在EZW算法基础上改进的SPIHT和EBCOT 等。由于EZW算法的开拓给后来者带来很大的启发，它是一种有效而且计算简单的图像压缩 技术，因此本章将重点介绍

在陡脉冲发生器电路中,杂散参数不仅影响输出波形,还影响着系统的稳定和电路元器件的安全.为了提高输出波形的质量,抑制输出脉冲的振荡,保证元器件长期可靠的运行,需要对电路中杂散参数进行有效的分析和补偿.本文通过对脉冲的实际输出波形进行分析,建立了陡脉冲发生器电路的杂散参数模型,总结出一种分析和补偿陡脉冲发生器电路中杂散参数的方法.模型的仿真结果精确地反映了实际波形,加入补偿环节后的电路实现了输出波形的无过冲

对无取向硅钢钙处理过程中镁铝尖晶石夹杂的变性机理进行了研究,重点考察了钙处理前期和中期MgO-Al2O3的变性过程.钙处理前,钢中除了发现单纯的MgO-Al2O3外,还发现少量被AlN包裹的MgO-Al2O3.钙处理1.5 min后,在MgO-Al2O3表面有中间产物CaS或CaO形成;钙处理4.5 min后,生成由内到外依次为MgO-Al2O3、CaO-MgO-Al2O3和CaOAl2O3的夹杂物;钙处理10 min后,未反应的MgO-Al2O3消失,CaO-MgO-Al2O3和CaO-Al2O3的成分趋于均匀.通过热力学计算得到了Al2O3/MgO-Al2O3/MgO和MgO-Al2O3/xCaO·yAl2O3的稳定相图,发现在含铝越高的钢中,镁铝尖晶石变性越困难.结合夹杂物的扫描电镜观察、能谱分析和面扫描图分析结果,提出了夹杂物的变性路径:MgO或Al2O3→MgO-Al2O3→CaO-MgO-Al2O3→CaO-Al2O3;在产物的中间层CaO-MgO-Al2O3中,Al2O3含量除了一般情况下的逐渐降低外,偶尔还存在突然升高的情况

目标管理本是第二次世界大战之后在美国首先提出的一种先进的企业管理制度，是一种科学的有效 的和代表企业管理发展趋向的管理方法。从 20 世纪 50 年代中期以来，世界各国在目标管理的研究与应 用中，使目标管理的理论与实践不断发展，日趋完善。政府部门、公共组织、事业单位也大量采用目标 管理的方法

有机化合物种类繁多，数目庞大，即使同一分子式，也有不同的异构体，若没有一个 完整的命名（nomenclature）方法来区分各个化合物，在文献中会造成极大的混乱，因此认 真学习每一类化合物的命名是有机化学的一项重要内容。现在书籍、期刊中经常使用普通命 名法和国际纯粹与应用化学联合会（International Union of Pure and Applied Chemistry）命名 法, 后者简称 IUPAC 命名法

为探究煤粉添加半焦后混合燃料的燃烧性能，通过热重分析研究煤、半焦及其混合物的燃烧过程，得到燃烧特性参数.由于不同温度区间的燃烧反应机理不同，利用分段法对燃烧过程进行动力学分析，对燃烧反应的前、后期分别使用缩核反应模型和缩核内扩散模型进行模拟，从而得到动力学参数.结果显示，随着混合燃料中半焦含量增加，其可燃性指数和燃烧特性指数都减少，燃烧前期活化能由76.79kJ·mol-1增加到92.75kj·mol-1，后期活化能由102.62kJ·mol-1增加到107.94kJ·mol-1.说明半焦的添加会降低混合燃料的燃烧性能.对比不同半焦含量的混合燃料的燃烧特性参数和动力学参数，半焦的质量分数应控制在15%以内最适宜

有机化合物种类繁多，数目庞大，即使同一分子式，也有不同的异构体，若没有一个 完整的命名（nomenclature）方法来区分各个化合物，在文献中会造成极大的混乱，因此认 真学习每一类化合物的命名是有机化学的一项重要内容。现在书籍、期刊中经常使用普通命 名法和国际纯粹与应用化学联合会（International Union of Pure and Applied Chemistry）命名 法, 后者简称 IUPAC 命名法

针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势，然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测，最后将若干预测结果进行有效集成。结果表明，所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%，平均相对误差在3%以内，且优于其他预测模型