利用高温高压湿气环路研究了L80钢在高气相流速湿气环境中的腐蚀-冲蚀行为.利用腐蚀失重法测试了L80挂片在气速30 m·s-1,含水率0.0007%,CO2分压0.5 MPa及55℃的工况下,分别在不同的腐蚀周期下的腐蚀速率.利用激光共聚焦显微镜对试样表面形貌进行了观察,利用扫描电子显微镜对腐蚀产物形貌进行观察,利用X射线衍射及能谱仪对腐蚀产物组成进行了分析.结果表明,L80钢在高气相流速湿气环境下腐蚀失重严重,腐蚀后试样表面出现大量的微小蚀坑,随着实验周期的延长蚀坑会不断长大.该工况下产生的腐蚀产物主要成分为Fe3C和FeCO3

为探究洛带古镇隧道瓦斯爆炸下洞口衬砌致损机理，对隧道内积聚瓦斯等效、量化研究，采用LS-DYNA建立与洞门几何结构一致的流固耦合数值模型并验证，以RHT模型模拟混凝土并修正参数，对爆炸过程中冲击波的传播特征及强度、洞门致损机理研究分析，并将模拟结果与实际情况对比.研究表明：爆炸冲击波在隧道内无规则的反射效应使其强度剧增、流场复杂，局部位置有聚焦现象，隧道内高压达1.2~2.4 MPa；传播过程中，靠衬砌一侧冲击波运动速度较快，形态也由“球状”变为“喇叭”状；当以平面波形态传至洞门时，拱顶冲击波强度增加56%，达2.8 MPa，并在削竹式洞门周边发生衍射；自隧道传出后，强度逐渐降低，边墙及底板处的冲击波沿纵向径直射出，拱部冲击波向斜上方运动，形成“蘑菇云”.爆炸作用下，衬砌曲边墙脚处完全破坏；爆心距7 m范围内衬砌受损严重；7~15 m范围内拱部几乎未受损；洞门受损严重.缺少围岩的约束作用，洞门拱顶Y向、拱脚X向位移分别达0.26和0.14 m，迎爆面、背爆面拉应力分别介于7.9~31.5 MPa、4.9~15.6 MPa，背爆面出现多个应力峰值，洞门主要为受拉致损.经对比，洞门损伤特征的数值模拟结果与现场实际情况基本一致，可为后续的衬砌灾害处治提供依据

第四节 非均相体系分离的强化

一、境界与分区 上界—膈下界骨盆上口 断层:上界—膈穹下界—第五腰椎椎间盘分区:九区、四区 二、腹膜腔及腹腔器官: 腹膜:分脏层、壁层。形成腹膜腔、网膜、系膜、韧带、陷凹、间隙

采用旋转柱体法对不同类型的含氟连铸保护渣黏度进行检测，并基于Arrhenius方程通过非线性回归分析建立了新的黏度预测模型，分析了组分变化对黏度的影响。结合模型计算和实验检测，建立了CaF2?Na2O?Al2O3?CaO?SiO2?MgO渣系的等黏度图。结果表明，与传统的含氟连铸保护渣黏度预测模型相比，该模型计算的偏差在10%以内，当渣中w（CaF2）超过20%时，偏差逐渐增大，主要由于氟化物挥发造成炉渣成分变化，最终黏度实测值与炉渣初始成分不符，造成模型无法对黏度有效预测。此外，研究发现，CaF2的增加能显著降低炉渣黏度，而Al2O3和Na2O对黏度的影响受CaF2含量的限制。当w(CaF2)>17%，炉渣黏度随Al2O3含量增加而减小，当w(CaF2)<17%，Al2O3的增加使炉渣黏度显著增大；当w(CaF2)>11.5%，炉渣黏度随Na2O含量增加显著下降，当w(CaF2)<11.5%，Na2O含量变化对黏度的影响并不明显。此外，该等黏度图表明低黏度区w(CaF2)接近14%。通过调整等黏度图中各组分比例，可以改善保护渣的黏度和流动性，供钢铁工业应用

1、分析化学的任务和发展趋势 2、误差与准确度、偏差与精密度 3、有效数字的统计处理 4、滴定分析的概念及要求

主要内容 1.1分散系及其分类 1.2溶液的浓度 1.3稀溶液的依数性 1.4胶体溶液

人体在进入疲劳状态时生理参数会发生相应的变化.为了探讨砌砖工人在持续体力劳动作业时心率和心率变异(HRV)对人体生理疲劳的影响,针对疲劳与心率的关系提出评价生理疲劳的数学模型.选取15名健康受试者(男性)在搭建的86 cm平台模拟砌砖工人作业.持续作业30 min进行一次心率变异数据的收集.同时,使用心率传感器对心率进行实时监测.本文采用方差分析、t检验和非线性拟合的方法对疲劳对心率和心率变异的影响进行分析.结果表明,生理疲劳使心率波动程度有显著变化(检验水准α=0.05水平,概率P0.05).非线性拟合结果(R2=0.8892)显示,生理疲劳的发展趋势呈现出\S型\的趋势.据此提出,生理疲劳分为3个阶段:疲劳调整期、疲劳稳定期和疲劳失稳期.在疲劳失稳期前(试验中约为90min)受试者休息,可以减缓或延迟生理疲劳的发生

文本检测在自动驾驶和跨模态图像检索中具有极为广泛的应用。该技术也是基于光学字符的文本识别任务中重要的前置环节。目前，复杂场景下的文本检测仍极具挑战性。本文对自然场景文本检测进行综述，回顾了针对该问题的主要技术和相关研究进展，并对研究现状进行分析。首先对问题进行概述，分析了自然场景中文本检测的主要特点；接着，介绍了经典的基于连通域分析、基于滑动检测窗的自然场景文本检测技术；在此基础上，综述了近年来较为常用的深度学习文本检测技术；最后，对自然场景文本检测未来可能的研究方向进行展望

为了提升航班运行风险预测精度，基于某航空公司2016—2018年航班运行风险数据，在验证15个风险时间序列的混沌特性后，构建基于多变量混沌时间序列的风险预测模型。首先，对15个风险时间序列进行多变量相空间重构，采用主成分分析法（PCA）对相空间进行降维处理；然后，基于迭代预测的方式，分别采用极限学习机、RBF神经网络、回声状态网络和Elman神经网络建立风险短期预测模型；最后，以降维后的相空间作为输入，计算并比较分析未来1～7 d的风险预测结果。结果表明：多变量相空间重构后总维数为62维，经PCA降维处理，降至31维；在不同的预测模型中，降维后RBF模型预测效果最佳；其中，预测第1天结果相对误差<25%出现频数为82.62%，至第5天仍达75%以上；该模型第1天预测结果的修正平均绝对百分比误差（MAPE）值为11.32%，且前5 d均低于20%，满足航空公司使用要求。1～5 d预测结果对航班风险管控具有实践操作价值，证明基于多变量混沌时间序列的风险预测方案可行、有效