用MARC/Autoforge程序对二辊斜轧穿孔时圆管坯在穿孔准备区的轧制过程进行了三维弹塑性热-力耦合分析,得到了应力、应变场温度分布,证实了物理模拟实验得到的变形强度沿管坯断面的W形分布形态并详细分析了W形分布的成因;澄清了孔腔形成理论上的一些分歧并发现了新的应力分布形态;管坯中心存在着较大的正值静水压力

利用扫描电子显微镜和透射电子显微镜对热轧后双相钢的微观组织进行分析,用Image-Pro Plus软件测定双相钢微观组织中各独立相的体积分数.根据多相材料中间混合法则和Swift方程,建立热轧双相钢微观应力-应变模型,并用DP590和DP780钢单向拉伸曲线进行验证.结果表明,该应力-应变关系微观模型基本阐明热轧双相钢微观组织参数与宏观力学性能的内在联系,能够准确地描述材料的变形行为,同时很好地预测热轧双相钢宏观的拉伸曲线

高硫尾矿配制成的膏体表现出不同程度的强度劣化,高硫膏体强度劣化能引起充填体质量的巨大变化.通过不同硫含量的膏体强度劣化实验,同时结合X射线衍射物相分析和环境扫描电镜分析,对高硫膏体的劣化规律和劣化机理进行了分析.得出含硫尾矿在一定程度上能促进膏体早期强度增长,却抑制了后期强度发育,硫含量越高,膏体后期强度劣化越显著.硫化物氧化生成的硫酸盐能促进膨胀性钙矾石和石膏类物质的生成.同时酸性环境造成了C-S-H的脱钙和CH的分解,已形成的胶凝体系遭到破坏,进一步促进了充填体的劣化.通过孔隙计算模型对晶体膨胀应变和裂纹发育过程进行了分析,阐述了膨胀性物质的线弹性应变发育机理

对淤泥沙原料中Fe3O4及其中间产物Fe O和Fe可能参与的反应进行了热力学分析.结合绘制的不同CO分压下Fe-Si体系在C和SiO2过量下的优势区相图及Fe-O-N体系热力学参数状态图,得出体系中Fe元素最终以Fe3Si形式存在,为淤泥沙合成O'-Sialon-SiC-Fe3Si(即Fe-Sialon)复合材料提供了热力学理论依据.在热力学分析的基础上,以淤泥沙为主要原料,采用碳热还原氮化法制备了Fe-Sialon复合材料,并借助X射线衍射仪和扫描电子显微镜对烧结体的物相和显微形貌进行了表征,得出产物的主晶相为O'-Sialon,还含有少量的SiC和Fe3Si相,晶粒呈现为纤维状、絮状或短柱状,与热力学分析结果(Fe元素最终以Fe3Si存在)吻合

（一）理论课程 1《空间解析几何》 2《离散数学》 3《时间序列分析》 4《数值计算方法》 5《运筹与优化》 6《Python 程序设计》 7《常微分方程》 8《大数据技术原理及应用》 9《复变函数论》 10《概率统计》 11《高等代数》 12《面向对象程序设计》 13《数据结构与算法》 14《数据库原理及应用》 15《数据挖掘》 16《数理统计》 17《数学分析（1）》 18《数学分析（2）》 19《数学建模(1)》 20《数学建模(2)》 21《数学软件及应用》 （二）实验课程 22《时间序列分析》 23《数据结构与算法》 24《数学软件及应用》 25《数值计算方法》 26《Python 程序设计》 27《大数据技术原理及应用》实验 28《面向对象程序设计》 29《数据库原理及应用》课程 30《数据挖掘》 31《数理统计》 （三）实践课程 32《专业教育》 33《web 数据挖掘与电子商务项目实训》 34《技能实训》教学大纲 35《客户数据分析项目设计》 36《数学建模(1)》 37《数学建模(2)》 38《中文文本数据挖掘项目实训》 39《综合项目实训》教学大纲 40《毕业设计（论文）》教学大纲 41《毕业实习》教学大纲

针对煤与瓦斯突出预测准确率问题,在分析煤与瓦斯突出瓦斯地质因素的基础上,构建了包含瓦斯指标、煤体指标、地应力指标3个一级指标和瓦斯压力、构造煤厚度等12个二级指标的预测指标体系,通过综合运用网络分析法和多类别距离判别法对灰色关联模型中的输入端和输出端进行研究,建立了煤与瓦斯突出多指标耦合预测模型.该模型基于对煤与瓦斯突出瓦斯地质因素的综合分析,计算预测指标权重,划分煤与瓦斯突出可能性等级,建立了对突出可能性进行判别的2个判别式.以平煤八矿为例应用该模型对8组预测样本进行了煤与瓦斯突出可能性判断,预测结果与实际符合,为矿井煤与瓦斯突出防治提供了技术支撑,证明了煤与瓦斯突出多指标耦合预测模型的准确性和适用性

针对API 8牙圆螺纹石油套管接头建立了轴对称有限元分析模型,分析了机紧状态下不同参数接头的典型应力应变及接触行为规律.通过对接箍起始斜度的优化研究发现,接箍最佳起始斜度为50-55°.该结果成功地应用于生产实际

当样品受到变化着的外力作用时，产生相应的应变。在这种外力作用下，对样 品的应力-应变关系随温度等条件的变化进行分析，即为动态力学分析。动态力学分 析是研究聚合物结构和性能的重要手段

超低碳钢是一种重要的汽车用钢材料, 钢中通常添加钛元素, 使其形成析出物, 提高钢材的深冲性.然而钛元素作为一种脱氧能力较强的元素, 进入钢液中通常首先形成氧化物.为了减少含钛氧化物夹杂的生成, 基于\转炉-RH-连铸\的超低碳钢生产流程, 对RH精炼过程进行系统取样, 分析了铝脱氧剂加入后及合金化元素钛加入后的氧、氮气体含量变化及夹杂物特征变化, 并使用FactSage热力学计算软件对Fe-Al-Ti-O夹杂物稳定相图进行计算.研究结果显示, 含钛类氧化物夹杂通常以Al2O3类夹杂物作为形核质点, 对其形成包裹状夹杂物.若避免含Ti夹杂物的生成, 当钢中Ti质量分数为0.1%时, 钢中溶解Al质量分数应在0.01%以上.对含钛氧化物的生成及长大流程进行研究, 通过对Al2O3夹杂物及Ti2O3夹杂物粗化率的计算及附着功的比较可知, Ti2O3夹杂物在1600℃时的熟化生长速率较Al2O3较大且Ti2O3夹杂物与Al2O3夹杂物相比不容易相互碰撞融合并从钢液中去除.若提高精炼过程中的氧化物夹杂物去除率, 应严格控制含钛氧化物类夹杂物的生成

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法