针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

传统湿法炼锌工艺采用纯铝板作为阴极,但随着锌精矿品位的降低,电解液中杂质离子含量增大,造成阴极腐蚀消耗增加.本文以铝锰合金为研究对象,研究锰作为添加元素,与铝形成良好铝锰合金阴极材料的电化学行为,进一步提高铝阴极的耐蚀性和电催化活性.采用交流阻抗、阴极极化曲线、恒电流极化曲线、塔菲尔曲线等分析方法,探讨不同Mn元素含量对铝锰合金在40℃恒温条件,Zn2+ 65 g·L-1和H2SO4 150 g·L-1溶液中电化学行为的影响.研究结果表明:相比纯铝电极,添加Mn元素的铝锰合金电极的耐蚀性普遍提高,腐蚀电流均减小;随着Mn含量的增加,腐蚀电流逐步降低,腐蚀电位与Mn含量增加无明显变化规律;当Mn质量分数为1.5%时腐蚀电流达最低(1.11 mA·cm-2),腐蚀电位最小(-1.0954 V);零电势下,表观电流密度i0受Mn元素的添加影响显著,i0随Mn含量增加呈现出先增大后减小的趋势,在Mn质量分数1.5%时达到最大值3.7462×10-16 mA·cm-2,远大于纯铝电极4.8027×10-33 mA·cm-2,整体变化幅度明显,电极的电催化活性得到提高;不同电流密度下的析氢过电位和纯铝电极的整体接近,电化学过程均为电化学传质步骤控制.综合考虑电极材料的耐蚀性和电催化活性,含Mn质量分数1.5%的铝锰合金可作为理想的电积锌阴极使用

采用电解相分析方法, 结合X射线衍射分析和电感耦合等离子体原子发射光谱仪(ICP)、扫描电镜(SEM)、透射电镜(TEM)等对高铝铁素体基体中的析出相颗粒粉末和电解液进行定性定量分析. 试验结果表明, 试验钢中固态析出相主要为NbC以及少量的Al2O3和AlN夹杂. 通过扫描电镜观察不同再加热温度下NbC分布状态, 发现随着固溶温度的升高, 铸态组织中存在的NbC析出逐渐回溶, 数量随之减少且发生明显的粗化行为. 当温度升高到1100℃, 大部分NbC已经回溶到高温铁素体基体中. 在利用Thermo-Calc热力学计算软件分析Nb及其碳化物的热力学性质基础上, 计算得到Al与Nb的相互作用系数, 表明Al能够降低Nb在铁素体基体中的活度, 提高其在基体中的固溶度, 进一步得到了NbC在高铝铁素体钢中的固溶度积公式, 发展了高温铁素体中的Nb微合金化理论, 为进一步的应用提供了理论基础

首先介绍了氧气高炉的发展历程，早期的研究工作主要着眼于解决由于氧气代替空气鼓风而引起的“上冷下热”问题，并总结了各国研究者提出的氧气高炉流程及其主要特点。随后系统阐述了北京科技大学科研人员在氧气高炉工艺基础研究与工程技术开发方面所取得的主要进展。这些研究包括氧气高炉流程设计，含铁炉料还原与软熔，氧气鼓风及循环煤气喷吹条件下的煤粉燃烧，循环煤气加热过程中的物理化学变化等炉内反应与变化，以及在此基础上开展的回旋区及全炉数值模拟研究，为氧气高炉的工程化实施奠定理论基础。最后对氧气高炉的碳素流及节碳潜力进行了分析，并提出富氢碳氢循环氧气高炉将成为炼铁低碳化的重要发展方向

对含磷高强IF钢中MnS夹杂物控制进行了分析。通过对含磷高强IF钢中添加稀土进行对比试验，借助扫描电镜等设备对铸坯1/8、1/2、7/8厚度方向的试样以及热轧、冷轧、连退工序的带钢试样进行了夹杂物统计及二维形貌的观测对比，并对铸坯试样中小样电解的夹杂物及轧制各工序试样中原貌提取的夹杂物进行三维形貌的观测对比。结果表明：铸坯中心MnS夹杂物数量分布明显大于铸坯近表面，稀土的加入，先与钢中S相结合，并在凝固过程中较MnS提前析出，生成了小尺寸的球状夹杂物，可明显降低铸坯各位置MnS夹杂物的尺寸及数量；未加稀土钢在带钢轧制各工序中MnS夹杂物尺寸为10 μm左右，且具有遗传性，在轧制过程中压延变长，但没有碎化弥散。加入稀土后形成了S–O–Ce类夹杂物，形态呈球形，尺寸为2～5 μm，且独立弥散分布，不会对带钢组织连续性造成影响，有利于产品各相关性能

借鉴水泥净浆流动度测试方法，引入扩散度参数判别尾砂膏体的流变特性，开展试验研究分析扩散度与尾砂膏体质量分数（Cw）、灰砂比、屈服应力和黏度系数的关系，根据5个矿山的扩散度和流变参数测试结果，构建扩散度与屈服应力的经验模型，并与推导的解析模型作对比。结果表明：尾砂膏体的扩散度主要与质量分数有关，灰砂比对其影响不显著，随质量分数、屈服应力和黏度的增加而减小，质量分数为68%、70%和72%的尾砂膏体的扩散度分别为20.37、17.22和12.44 cm；尾砂膏体的扩散度与屈服应力的变化趋势相吻合，二者呈指数型函数关系，经验模型计算得到的屈服应力与测试结果误差在25%范围内，且尾砂膏体质量分数越大，二者的误差越小，达到10%以内；解析模型与经验模型计算所得的屈服应力在扩散度为12～16 cm之间结果较接近，解析模型计算结果整体上高于测试值；相比于坍落度，扩散度测试简便易操作，扩散度能有效表征尾砂膏体的流变特性，指导矿山现场充填

海洋环境对于金属的腐蚀具有明显的加速作用，尤其在高铁海底隧道环境中，金属比正常的服役时间变短，这种腐蚀情况下会影响高铁的安全和准点运行。基于以上背景，通过夹杂物自动扫描、钢的加速腐蚀及电化学测试对钢中的夹杂物诱发腐蚀行为进行系统分析，重点分析了高铁轨旁信号设备连接金属件（Q235）中夹杂物在盐雾环境下的腐蚀行为。结果表明：钢中主要夹杂物为氧化物、硫化物或者其复合夹杂，而这两类夹杂物对于诱发钢基体点蚀的原因不同。其中数量最多、尺寸小于5 μm类型的夹杂物为硫化物夹杂和氧硫复合类型夹杂物；数量少、尺寸大于5 μm的夹杂物为氧化物夹杂。在服役过程中，钢中硫化物夹杂易溶解脱落形成点蚀坑，而氧化物夹杂周围基体会先溶解引起夹杂物脱落形成点蚀坑，复合类夹杂物也是诱发钢发生腐蚀的因素，不同复合类型的夹杂物腐蚀方式不同，硫化物夹杂和氧硫复合夹杂对碳钢影响较大。电化学测试表明自腐蚀电位约为为?0.1 V，Q235钢本身抗腐蚀能力不强。夹杂物在腐蚀过程中参与了腐蚀，引起阳极极化曲线的波动，加快了Q235钢的腐蚀情况。研究结果对于认识和改善钢的耐腐蚀性能有指导意义

介绍了几种主要的转炉烟气分析碳含量预报模型，并分析了其中的指数衰减模型及其三种改进算法的基本原理和优缺点。在综合三种模型优点的基础上，提出了基于“极限碳含量拟合+曲线同步更新”算法的改进指数模型。首先，利用历史炉次吹炼后期的脱碳氧效率和碳含量数据，通过指数拟合得到“历史脱碳曲线”和极限碳含量参数；其次，使用当前炉次吹炼中期的最大脱碳氧效率值对“历史脱碳曲线”的特征参数进行替换，得到当前炉次吹炼后期的“参考脱碳曲线”，再对其进行归一化处理，得到归一化的“参考脱碳曲线”；然后，采用多点校正的方法，计算当前炉次吹炼至各等距离校正点时“参考脱碳曲线”的脱碳量，并根据计算脱碳量与转炉实际脱碳量的偏差，对熔池碳含量及脱碳曲线参数进行计算与校正，得到“计算脱碳曲线”；最后，通过逐次迭代计算对“参考脱碳曲线”和“计算脱碳曲线”进行同步更新，进而实现对转炉吹炼后期熔池碳含量的精准预报。研究表明，改进的指数模型具有较高的准确率，终点碳含量预报误差在±0.02%范围内的命中率达到90%

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

提出了基于双偏心误差齿轮副的驱动齿面与齿背面（双齿面）无负载传动误差计算模型，建立与时变侧隙计算公式的等价关系，从理论上证明了基于双齿面传动误差的侧隙测量方法。通过实验方法测量不同负载力矩、不同初始啮合面的双面传动误差并获得相应载荷下的初始回差。基于双齿面传动误差实验曲线，实现了对齿轮副整个大周期侧隙的连续测量与预测。结果表明，连续侧隙曲线与机械滞后回差法测量结果吻合良好，而侧隙预测较好地反应了侧隙值变化范围和变化趋势。同时，侧隙连续测量方法及侧隙预测均证明了理论模型的正确性，提高了侧隙测量效率并获得了更全面的侧隙数据，对齿轮传动的非线性研究、消隙控制以及齿轮精度研究等均具有指导意义和参考价值