采用扫描电镜、X射线能谱仪以及扫描电镜配置的夹杂物自动扫描统计软件(INCAFeature)表征了Fe-Mn-C(-Al)系TWIP钢中夹杂物的成分、形貌和数量,考察了Al质量分数在0.002%~1.590%的四种TWIP钢中夹杂物的特征和Al含量对AlN析出行为的影响.并在此基础上,采用了适合TWIP钢中高锰高铝特点的热力学参数对AlN夹杂物进行了系统的热力学分析.研究表明,在含有相似N质量分数(0.0078%~0.0100%)的TWIP钢中,当钢中Al质量分数升高至0.75%时,AlN夹杂物开始在钢中析出,并在MnS(Se)-Al2 O3上局部析出形成MnS(Se)-Al2 O3-AlN复合夹杂;当Al质量分数升高至1.07%时,热力学计算表明AlN已经可以在TWIP钢液相中形成,经不断长大后在MnS(Se)夹杂物表面局部析出形成MnS(Se)-AlN复合夹杂物;在Al质量分数为1.59%的TWIP钢中,AlN的平衡析出温度比其液相线温度高出42℃,在液相中形成的AlN可以作为异质核心,MnS(Se)夹杂在其表面包裹形成MnS(Se)-AlN复合夹杂物.另外,在Fe-18.21% Mn-0.64% C-1.59% Al体系的TWIP钢中,AlN在液相中析出所需的最低氮的质量分数仅为0.0043%.因此,在TWIP钢的冶炼过程中,应尽可能的降低钢中的氮含量,避免生成过量的AlN夹杂

第3章数据类型、运算符与表达式 3.1C的数据类型 3.2常量与变量 3.3整型数据 3.4实型数据 3.5字符型数据 3.6变量赋初值

第3章数据表的创建及操作 3.1数据表的创建 3.2数据表的维护 3.3数据表的排序、索引与查询 3.4数据表的统计与汇总 3.5多个数据表的使用

通过热模拟实验、光学金相及透射电镜分析观察，研究了奥氏体化条件、变形温度、变形速率、变形量以及道次间隔时间对曲轴用非调质钢C38N2轧制道次间的静态再结晶体积分数和残余应变率的影响规律.实验结果表明：随着变形温度的升高、变形速率的增大、变形量的增大或道次间间隔时间的增长，静态再结晶的体积分数逐渐升高，道次的残余应变率逐渐降低；原始奥氏体晶粒尺寸增大，静态再结晶体积分数降低，但变化不大；在1250℃以下，随着奥氏体化温度的升高，静态再结晶体积分数降低不明显，但在1250℃以上，奥氏体化温度的升高明显降低了静态再结晶体积分数.通过线性拟合以及最小二乘法，得到静态再结晶体积分数与不同变形工艺参数之间关系的数学模型；对已有残余应变率数学模型进行修正，得到含有应变速率项的残余应变率数学模型，拟合度较好

可以将数组作为函数的参数,数组作为函数的参数有以下三种形式: 1.将数组的元素作为函数的参数 2.将数组名作为函数的参数 3.将多维数组作为函数的参数

3.1MCS-51单片机指令格式 一条汇编语言指令中最多包含4个区段,如下所示: 标号:操作码目的操作数,源操作数;注释 标号与操作码之间“:隔开; 操作码与操作数之间用“空格”隔开; 目的操作数和源源操作数之间有“,”分隔; 操作数与注释之间用“;”隔开

第2章数据类型、运算符与表达式 2.1程序设计概述 2.2C语言的数据类型 2.3常量和变量 2.4整型数据 2.5实型数据 2.6字符型数据 2.7算术运算与算术表达式 2.8赋值运算与赋值表达式 2.9C语言特有的运算和运算符

铁矿石烧结烟气中含有较高浓度的CO（体积分数0.5%～2%），因此对其进行CO脱除意义重大。为了探究不同类型催化剂的催化效果，采用浸渍法制备了Pt涂层蜂窝金属催化剂和铁铈氧化物催化剂，并通过X射线荧光光谱分析（XRF）对其组分含量进行了分析。二者在模拟烧结烟气中进行CO脱除性能的对比实验，活性测试表明，不同CO初始体积分数、烟气温度以及水汽含量对CO催化氧化的脱除效率影响较大。当模拟烟气中不含水汽的时候，二者在180 ℃及更高温度下对CO的脱除效率均能达到60%以上。反应温度为180 ℃，水汽体积分数为11.7%时，Pt负载型催化剂中的CO转化率为63.9%，而该条件下Ce改性Fe2O3催化剂的CO转化率仅为34.9%。当温度在180～300 ℃范围内，Pt负载型催化剂具有较好的抗水性，且继续升高温度，水汽体积分数增加对催化剂效率的负面影响更显著。如水汽体积分数从0增加到27.1%时，与180 ℃时的催化效率相比，Pt负载型催化剂在240 ℃时的催化效率由73.9%降至62.3%，降幅远远增大。另外，对这两种催化剂进行了抗硫性测试。当水汽体积分数为0时，Ce改性Fe2O3催化剂抗硫性更佳，但当SO2和水汽同时存在的情况下，Pt负载型催化剂具有更好的抗硫性。因此，在实际烧结中建议采取高效的脱硫措施并布置脱水层以减少其对于催化剂的负面影响

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

教学目的继续介绍集合论的基础内容,如映射,基数,可数集与不可 数集等 本节要点一一对应的思想与方法贯穿本节的核心基数的概念可数 集的讨论都要用的一一对应的方法证明两个不同的集对等,从而具有相 同的基数,特别地,要证明一个集是可数集,有时需要一定的技巧,因而具 有一定的难度,通过较多的例题和习题,使学生逐步掌握其方法和技巧 映射在数学分析课程中我们对函数已经很熟悉