对GH132合金的周期蠕变研究指出,该合金在周期蠕变条件下其变形规律是复杂的,除了弹性应变,塑性应变外,还有滞弹性应变。这种变形规律的特征随周期应力卸载条件下最小应力的大小而变化。在高的最小应力条件下,可以表现为合金以不同的应变速率分别在高、低应力下交替地进行

变压变频调速的基本控制方式 异步电动机电压－频率协调控制时的机械特性 电力电子变压变频器的主要类型 变压变频调速系统中的脉宽调制（PWM）技术 基于异步电动机稳态模型的变压变频调速 异步电动机的动态数学模型和坐标变换 基于动态模型按转子磁链定向的矢量控制系统 基于动态模型按定子磁链控制的直接转矩控制系统

研究了Ti-16%Al-30%Nb合金中立方β相基体在750℃压缩变形及退火过程中组织和织构变化的某些特征,结果表明,变形过程中{111}面平行于压缩面的取向是稳定取向,{110}面平行于压缩面的取向是不稳定取向。变形过程中各晶粒取向变化不大,退火后织构也无大变化。变形织构主要源自变形前的初始织构。还讨论了β相变形中稳定取向产生的原因以及在变形和退火过程中发生回复的可能性

采用Gleeble 1500对WC-12Co硬质合金进行不同温度和应力场的压缩疲劳实验,测量疲劳前后合金硬度的变化,通过扫描电镜(SEM)、透射电镜(TEM)等手段观察其组织结构的变化并分析其变形失效机理.结果表明:随着实验温度与加载载荷的升高,WC-12Co合金硬度呈下降趋势,WC晶粒发生圆化,WC晶粒骨架的完整程度下降.WC-12Co合金的疲劳变形失效机理为:在较低变形温度和变形载荷下,塑性变形由WC相中的位错滑移和黏结相马氏体转变所提供,随着变形温度和变形载荷的升高,塑性变形则通过硬质相的层错运动和WC/WC的界面滑动形成黏结相条带来实现

一、单项选择题 1、在满足经典假定条件的回归分析中，下列有关解释变量和被解释变量的 说法正确的有（ C ） A．被解释变量和解释变量均为非随机变量 B. 被解释变量和解释变量均为随机变量 C．被解释变量为随机变量，解释变量为非随机变量 D. 被解释变量为非随机变量，解释变量为随机变量

分析了触交合金充填过程的压力变化特征,建立了耦合表观粘度的计算数学模型.对触变铝合金和钢件充型过程及压力变化进行模拟.结果表明,触变合金充型过程具有持续增加的压力变化特征,增加压力主要克服浆料流动阻力与重力,增加幅度约为0.12MPa.在成形充填速度范围内,触变合金呈现稳定的层流充填特征.相比触变铝合金,钢温度高容易引起触变成形过程的降温,表观粘度增大而导致铸件缺陷.半固态刹车泵体两种入流形式的充填压力模拟分析与实际成形结果表明,径向入流方式具有较高的成形质量

含蜡凝析气藏开采过程中伴有凝析液、蜡析出呈气-液-固变相态多相复杂流动.在渗流机理的实验研究基础上,对气-液-固复杂渗流的数学模型进行描述,以期揭示伴有蜡沉积的凝析气-液-固变相态复杂渗流规律.根据相的变化受析蜡线、露点线的相态变化规律控制,分析相变特性会导致储层内油气饱和度的变化,揭示蜡沉积在多孔介质表面引起孔隙性质改变和气、液、固在储集层中的微观空间分布会影响凝析气的流动特征.在蜡沉积变相态渗流实验和渗流数学模型的研究基础上,引入蜡沉积数学模型、考虑毛管力和表面张力的相对渗透率模型等,建立了相应的多孔介质中气-液-固变相态多相流-固耦合渗流数学模型.数值模拟结果表明,蜡沉积可使部分区域孔隙减少,流动阻力增大.不考虑蜡沉积会对产量预测明显偏大,蜡沉积可使产量下降.该模型较好地反映了凝析气-液-固变相态复杂渗流的物理实质

采用光学金相、硬度测量结合透射电镜观察,研究了经过弯曲或扭转变形的含铌微合金钢在等温受热时的组织稳定性问题.研究发现:弯曲与扭转变形都可以大幅度提高微合金钢的硬度;在随后的550℃等温受热过程中,弯曲变形区的硬度迅速下降,同时伴随贝氏体向平衡组织的演变;而扭转区在等温过程中的硬度始终高于未变形区,同时钢中贝氏体组织基本得以保持.扭转应变量越大,硬化效果越强,并且在随后的等温受热过程中能保持这种硬度上的优势.弯曲与扭转变形均导致贝氏体板条内位错密度显著增加.弯曲变形区的位错分布不均匀,其中的低位错密度区易于在随后的等温受热过程中演变为平衡组织多边形铁素体的形核核心;而扭转变形区内位错分布均匀,并且在随后的等温受热过程中位错分布不发生显著改变.这些结果表明,不同的冷变形方式对微合金钢中贝氏体热稳定性的影响存在显著差异

对广泛用于电厂主蒸汽管道的耐热钢12Cr1MoV的蠕变曲线进行了研究.将恒应力蠕变与恒载荷蠕变进行对比，证明原始的θ—ConceptProject方法可以成功地描述恒应力蠕变，但它不能用于恒载荷蠕变.根据12Cr1MoV钢的蠕变特性，提出一种修正的θ法，可以成功地描述恒应力和恒载荷蠕变曲线，从而可以利用已有大量的恒载荷蠕变数据，有效地进行的蠕变曲线的外推

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的 个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数( discriminant function)o然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量( grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因”变量,有时可能倒是真正的“结 果”或“反应”变量。它们与类型变量的关系从本质上并没有越过相关的范畴。 不过,既然我们要参照其值来进行分组,权且称之为自变量