分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义

由于转炉冶炼过程中的热力学和动力学反应复杂，副枪控制模型和传统的烟气分析模型存在很大的局限性，导致了转炉冶炼终点碳含量的预测精度偏低，是实现智能炼钢的主要技术瓶颈. 针对上述问题，提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先，利用烟气分析得到连续监测的实时数据，以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后，根据熔池反应所处的不同阶段，利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上，按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数，从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例，证实函数型数字孪生模型具有良好的自学习和自适应能力，对异常冶炼状态具有良好的鲁棒性，可以实现全过程的熔池碳含量动态预测，终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是，在保证入炉原料成分、温度、质量等参数稳定的前提下，采用该模型可以有望取消基于副枪的停吹取样步骤，从而降低生产成本，提高产品质量和生产效率，具有广泛的工业应用前景

采用频率为100 Hz的电磁谐振疲劳试验机进行疲劳拉伸试验, 研究了两种应力比(R=0. 1和-1) 对TC4钛合金的超高周疲劳失效机理的影响.结果表明, 两种应力比下的S-N曲线都呈现\双线\型, 但各自表示的意义及失效机理不同.当R=0. 1时, TC4钛合金的疲劳失效形式有两种, 即由加工缺陷诱发的表面失效和内部鱼眼失效, 这两种失效形式都伴随着颗粒平面(Facet) 出现; 而当R=-1时, 仅存在表面失效, 且无Facet的出现.基于断裂力学的讨论可知, 在正应力比及真空环境下, 对应小裂纹扩展的门槛值更低, 更有利于裂纹扩展及Facet的形成. TC4钛合金的整个内部疲劳失效过程及机理可解释为: (1) 滑移线或滑移带在部分α晶粒上的出现; (2) 微裂纹的萌生和接合; (3) 颗粒亮区(GBF) 的形成; (4) 鱼眼的形成; (5) 鱼眼外的失稳裂纹扩展; (6) 最终的瞬时断裂

由于岩石材料的不透明性和多孔隙特性, 通过传统的物理试验或数值模拟很难真实体现其内部三维细观结构. 本文基于CT扫描技术、边缘检测算法、滤波算法、三维点阵映射与重构算法, 构建了可以表征玄武岩试样内部孔隙结构的三维细观非均匀数值模型. 结合并行计算进行直接拉伸数值试验, 研究了内部孔隙结构特征对试样破坏机制及抗拉强度的影响. 研究结果表明: 加载初期在试样孔隙处产生初始裂纹, 随着荷载的增加初始裂纹逐渐沿横向扩展最终形成宏观拉伸破坏裂纹, 并且孔隙含量和分布位置对试样拉伸断裂的位置具有重要影响. 随着孔隙率增高, 试样破坏过程中的声发射数目和能量逐渐减小. 拉伸破坏模式呈现脆性破坏特征, 同时孔隙的存在削弱了试样的抗拉强度

利用钢渣制备陶瓷材料是钢渣资源化大宗利用的一条新途径.开展不同烧结气氛对钢渣陶瓷影响规律的研究,对推动钢渣陶瓷技术的应用具有重要意义.以20%钢渣和80%黏土为原料,分别在空气和氮气气氛下,制备了钢渣陶瓷样品,分析了其晶相转变和性能变化规律,并定量研究了氧分压对钢渣陶瓷中铁元素价态转变的影响机理.研究表明,在空气条件下烧结时,原料中的Fe2+发生氧化形成赤铁矿相,烧结样品物理性能要优于在氮气条件下烧结的样品,其抗压强度和吸水率为310 MPa和3.7%;而在氮气条件下烧结时,Fe2+形成铁铝尖晶石和铁辉石,烧结样品中形成的气孔大小和数量要大于和多于空气条件下的样品,这是导致其力学性能较差的一个主要原因.铁元素赋存晶相转变的氧分压临界范围为0.5%~0.75%:当分压低于0.5%时,可以获得以铁铝尖晶石和铁辉石为主的黑色或褐色陶瓷样品;当氧分压超过0.75%时,Fe2+开始发生氧化并形成Fe3+,逐渐形成赤铁矿并带来样品颜色为褐黄色或褐红色.增加烧结环境中氧气分压量是减少钢渣陶瓷产品黑心的一个重要手段

采用光纤激光焊接设备对1800 MPa级热成形钢与CR340LA低合金高强钢进行对接激光拼焊，研究了不同激光焊接功率和焊接速度下焊接接头的组织演变规律及热冲压成形性能，并对焊接接头的力学性能和硬度进行了分析。结果表明，3种焊接工艺下激光拼焊原板综合力学性能相差较小，由焊接接头造成的伸长率和抗拉强度的损失均在母材的28.3%和9.1%以内。激光焊接后焊缝区均为粗大、高硬度的马氏体结构；两侧热影响区组织主要为铁素体和马氏体，接头未出现明显的软化区。激光拼焊原板拉伸试样均断裂于CR340LA母材区，距离焊缝12 mm左右，且存在焊缝隆起现象。选取焊接功率和焊接速率分别为4000 W和0.18 m·s?1的焊接试样在高温下进行热冲压成形检测，未出现焊缝开裂，热成形后拼焊板具有良好性能，满足汽车激光拼焊板使用要求，拉伸结果表明，试样断裂位置与未热冲压成形前一致，均位于CR340LA母材区，拉伸过程中，焊缝向高强度母材侧偏移，在弱强度母材侧产生应力集中并缩颈断裂

网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

针对目前铷矿提取工艺污染严重、资源综合利用率低的现状, 本文提出采用酸浸—溶剂萃取工艺提取铷云母矿中的铷.研究了浸出温度、硫酸浓度及浸出时间对铷浸出率的影响, 并借助X射线衍射、扫描电镜、能谱分析等手段, 研究了浸出过程中铷云母矿的物相转变.实验结果表明, 铷云母矿酸浸的最佳条件为浸出温度250 ℃、H2SO4质量浓度200 g·L－1、浸出时间1.5 h, 在此条件下铷浸出率达85.2%.X射线衍射图谱表明铷云母矿的主要矿物组成为石英、黑云母、白云母、正长石及钠长石.扫描电镜-能谱分析结果表明矿石中的铷主要以类质同象取代钾的位置分别存在于黑云母及白云母中.浸出过程中发生的主要反应为载铷云母的溶解.在萃取剂浓度1 mol·L－1、有机相与水相的体积比O/A = 3∶1、萃取级数为3级条件下进行逆流萃取实验, 萃余液中的铷质量浓度为0.003 g·L－1, 铷的萃取率达98%.在HCl浓度1 mol·L－1、相比O/A = 4∶1、反萃级数为2级条件下反萃负载铷的有机相, 铷反萃率达99%.以浸出渣为原料, 采用碱熔—中和沉淀工艺制备出了白炭黑产品, 实现了资源的综合利用.采用X射线衍射、红外光谱分析技术对白炭黑进行了表征, 结果表明产品成分为水合二氧化硅, 符合非晶态白炭黑的特征.化学定量分析结果表明白炭黑产品含SiO2质量分数91.65%, 所制备的白炭黑满足国家化工行业标准

以硅镁型红土镍矿为原料，采用金属化焙烧-熔分工艺，通过正交试验制备金属化球团，将所得金属化球团在1500℃条件下熔融分离30 min提取镍铁合金，考察影响因素对实验结果的影响.结果表明：在选择性还原制备金属化球团过程中，对金属化率的影响程度从大到小的因素依次是C/O摩尔比、焙烧温度、焙烧时间和碱度；实验可获得镍品位19%的镍铁合金；在碱度为0.8-1.2范围内，S和P分配比随着碱度的升高而增大.利用X射线衍射和扫描电镜对金属化球团及熔融分离出的渣进行微观分析，发现加入的石灰石与复杂矿相反应可释放出简单镍氧化物和铁氧化物，促进还原反应的进行，当石灰石不足时，少量铁以Fe3+的形式存在于铁金属化率70%的金属化球团中

利用电加工的方法在不锈钢表面分别制备了垂直织构和倾斜织构两种条纹织构试样，利用UMT-3摩擦磨损仪研究了具有不同倾斜角表面织构试样的摩擦性能，考察了在干摩擦和油润滑条件下摩擦接触副在织构区摩擦系数的变化情况，分析了条纹织构倾斜角对摩擦性能的影响.结果表明，钢球在织构表面区域滑动过程中，摩擦系数经历了一个先降低后增高的过程，即织构的存在导致了摩擦系数的波动.与垂直织构相比，倾斜织构会导致更明显的摩擦系数波动，且波动幅度与织构倾斜方向有关.当摩擦方向与织构倾斜方向相同时，摩擦系数的变化幅度较反方向更大