废阴极炭块是铝电解槽大修时产生的一种危险固体废弃物，对其进行安全处置和资源化利用的关键是深度分离其中的有价组分炭和氟化盐.采用火法工艺对废阴极炭块进行处理，明确了氟化盐的挥发温度.基于氟化盐的挥发析出性质，设计了高温热处理电阻炉，并对其传热特性、控温规律以及氟化盐有效挥发区域进行了三维数值解析

为探究新型混凝土受硫酸盐侵蚀后的力学性能，采用质量分数为5%的硫酸盐溶液全浸泡加速侵蚀法，对11组聚丙烯纤维混凝土（PC）试块、11组聚丙烯纤维锂渣混凝土（PLiC）试块、8根PC大偏心受压柱和8根PLiC大偏心受压柱进行侵蚀试验，得到了不同侵蚀时间下混凝土的力学性能。基于分形理论分析了试块及构件破坏时表面裂缝分布的分形特征，详细讨论了试块及构件表面裂缝分形维数与其侵蚀时间、抗压强度、极限承载力之间的关系。研究表明，PC和PLiC立方体抗压强度随侵蚀天数先增加后降低，在120 d达到最大；试块及构件破坏时表面裂缝分布具有分形特征，试块表面裂缝分形维数随侵蚀天数的增加呈现先增加后减少再增加的规律，随试块抗压强度的提高而减少；PC及PLiC混凝土大偏心柱极限承载力随侵蚀天数的增加先增加后减少，锂渣的掺入可以提高聚丙烯纤维混凝土柱的抗硫酸盐侵蚀能力，构件破坏时表面裂缝分形维数随硫酸盐侵蚀天数呈现震荡上升的趋势；因此混凝土表面裂缝的分形特征可作为判定构件损伤程度的指标之一，可为今后对在役混凝土结构承载力和寿命预测提供参考

以纯Al粉为主要原料,添加Cu单质粉末以及Al-Mg、Al-Si中间合金粉,利用粉末冶金压制烧结方法制备出相对密度98%以上的Al-Mg-Si-Cu系铝合金.研究表明,烧结致密化过程主要分为3个阶段:初始阶段(室温~460℃),坯体内首先形成Al-Mg合金液相,液相中的Mg原子分别扩散至Al或Al-Si粉末中,与Al2O3反应并破除氧化膜,形成Al-Mg-O等化合物;同时,Al-Cu发生互扩散,形成Al2Cu等金属间化合物.第二阶段(460~560℃),Al-Cu、Al-Si液相快速填充颗粒缝隙或孔洞,坯体相对密度显著提高;此阶段的致密化机制主要是毛细管力引起的颗粒重排,以及溶解析出导致的晶界平直化.第三阶段(560~600℃),随温度的升高,液相润湿性提高,晶粒快速长大,使得大尺寸孔洞填充,烧结体基本实现全致密,此阶段的致密化主要由填隙机制控制.在铝合金晶界处发现了MgAl2O4和MgAlCuO氧化物的存在,推测Al粉表面氧化膜的破除机制与合金成分有关.由于Al-Cu液相在Al表面的润湿速率远高于AlN的生长速率,因为在本体系中未发现AlN的存在

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级

作为对经典自适应控制改进的控制方法，多模型自适应控制是解决复杂的大范围参数不确定系统的一种有效途径，并在理论和实践中取得了丰富成果。依据控制器集的不同综合策略，其被分为多种类型，本文旨在对加权型的多模型自适应控制进行综述。加权多模型自适应控制的基本思路是采用“分而治之”的办法，离线建立多个局部模型和对应的多个局部控制器，在线加权融合各个局部控制器的控制输出，从而形成全局控制，是实现鲁棒自适应控制的一类重要方法。首先比较详细地介绍了加权多模型自适应控制研究的历史及现状，然后给出相关研究的新进展和一些观点，包括新的加权算法和相应的加权多模型自适应控制系统的稳定性结果等，最后指出未来的几个研究方向

为了进一步研究20CrMo合金钢在生产过程中夹杂物的演变机理，实现对钢中非金属夹杂物的合理控制，保证生产顺行，提高产品力学性能，针对“BOF→LF→RH→钙处理→连铸→热轧”工序生产20CrMo合金钢全流程中非金属夹杂物的演变规律进行了研究。在LF精炼及RH精炼加钙前钢中非金属夹杂物含有70%以上的Al2O3。钙处理后，由于过量的钙加入到钢液中，夹杂物中CaS质量分数迅速增加至59%，Al2O3质量分数降低至21%。在连铸过程中由于二次氧化的发生，夹杂物转变为CaO?Al2O3，其中含有50%的Al2O3、39%的CaO和10%的CaS，并且夹杂物平均尺寸增加。在钢的冷却和凝固过程中，CaO质量分数降低至5%，CaS质量分数增加至57%，钢中夹杂物转变为Al2O3?CaO?CaS的复合夹杂物，同时含有少量大尺寸的CaO?Al2O3夹杂物。在钢的轧制过程中，夹杂物中CaO含量进一步降低，CaS含量增加，夹杂物平均尺寸增加，形成了CaO?Al2O3与CaS黏结型的复合夹杂物与Al2O3?CaS复合夹杂物。对CaO-Al2O3与CaS黏结型的复合夹杂物的形成原因进行了讨论

由于碳纳米纸与复合材料具有良好的界面结合性能,以及良好的导电导热性能,因此可以被用于复合材料的全寿命健康监测.本文制备了碳纳米纸及其传感器,以及在不同位置嵌入碳纳米纸传感器的复合材料,并进行拉伸加载卸载测试.获得了碳纳米纸传感器电阻变化率随传统应变片测得的复合材料层合板应变的变化趋势,拟合得到了碳纳米纸传感器的应变传感系数,阐明了复合材料在变形时的协同性,证明了碳纳米纸传感器可以用于复合材料的拉伸疲劳损伤监测

医生诊断需要结合临床症状、影像检查等各种数据，基于此，提出了一种可以进行数据融合的医疗辅助诊断方法。将患者的影像信息（如CT图像）和数值数据（如临床诊断信息）相结合，利用结合的信息自动预测患者的病情，进而提出了基于深度学习的医疗辅助诊断模型。模型以卷积神经网络为基础进行搭建，图像和数值数据作为输入，输出病人的患病情况。该医疗辅助诊断方法能够利用更加全面的信息，有助于提高自动诊断准确率、降低诊断误差；另外，仅使用提出的医疗辅助诊断模型就可以一次性处理多种类型的数据，能够在一定程度上节省诊断时间。在两个数据集上验证了所提出方法的有效性，实验结果表明，该方法是有效的，它可以提高辅助诊断的准确性