使用Bordoni型仪器测量了Fe—Ni基金属玻璃在结构弛豫过程中内耗和模量的变化,详细地研究了在低于500K的低温阶段模量的变化。结果表明,结构弛豫对温度的特性可划分为两个阶段:低温结构弛豫,主要由TSRO控制;高温结构弛豫,主要由TSRO和CSRO控制。低温结构弛豫的激活能约为17kJ/mol

对了Ti3Al+Nb金属间化合物,用预裂纹试样研究原子氢引起的氢致开裂。结果表明,无论在室温还是高温(400℃),氢能促进局部塑性变形。当它发展到临界状态时,氢致裂纹就在塑性区中某一特征位置处沿滑移带形核。研究了氢作为暂时合金元素对氢致开裂门槛值KIH和断裂韧性KIC的影响。还研究了氢化物含量对氢致开裂门槛值KIH的影响。根据氢促进局部塑性变形从而促进解理断裂的理论导出了KIH的定量表达式

以316Ti奥氏体不锈钢为基础，设计不同Cr和Si元素含量的合金成分，结合Thermal-Calc热力学模拟计算与合金铸锭凝固组织形貌、成分分析，研究了Cr和Si元素对合金凝固组织构成的影响。研究结果表明，热力学计算能够获得奥氏体不锈钢中析出δ相的临界Cr和Si含量。合金凝固时的元素偏析和冷却过程中的“δ→γ”相变可对δ相析出预测产生一定影响。此外，本工作还针对δ相析出评价了两种凝固路线判据

在作者对二燃烧过程中气体流动及燃烧研究的基础上提出了二次燃烧过程热量传输的数学模型,并用该模型研究了180t转炉内不同二次燃烧时期、不同二次氧枪设计的情况下各种传热机理的贡献及总的热量传输效率问题

将改进的主元分析(PCA)方法应用于连铸结晶器的过程监测.基于板坯连铸结晶器摩擦力实测数据进行仿真分析,结果表明,改进的PCA避免了Q统计量的保守性,从而能够更有效地识别过程故障与工况改变引起的T2统计量的变化.与传统的PCA方法相比,改进PCA具有更强的故障检测能力

为了深入探究MgO对烧结矿矿物组成及冶金性能的影响，采用扫描电子显微镜和荷重软化熔滴设备研究了MgO对含钛烧结矿矿相结构与软熔滴落性能影响.实验结果表明，随着烧结料中MgO质量分数从2.04%增加到3.96%，烧结过程液相生成量逐渐减少，烧结矿中的赤铁矿和铁酸钙等含量都有不同程度的降低，赤铁矿质量分数从13.57%降低到9.99%，铁酸钙的质量分数由38.7%降低到30.17%，磁铁矿、硅酸盐和烧结矿中的孔洞逐步增加.因此，增加烧结矿中MgO会降低烧结矿中液相生成量，不利于烧结矿转鼓强度和还原性的提高.高碱度含钛烧结矿中的镁主要分布于烧结矿中复合铁酸钙相中，进一步提高烧结矿中镁的质量分数，烧结矿的磁铁矿相比例将增加，有一部分镁固溶于磁铁矿中；在高镁烧结矿中，也会形成一定量的橄榄石，其中固溶有少量镁、钛等元素.随着烧结矿中MgO质量分数的增加，开始软化温度逐渐升高，试样软化开始温度均在1120℃以上，软化温度区间ΔtA随着MgO含量的升高而逐渐变宽

运用原子间相互作用的对势模型计算了不同配比下Nb在TiAl点阵中的各种可能有序占位结构的结合能,找到了各配比的最低能量Nb原子有序占位方式,总结了不同Al含量下的Nb原子有序占位规律

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

运用电子显微镜和化学相分析等多种实验手段研究了Ti微合金化高强耐候钢中的析出物,并在热力学计算的基础上分析了其析出过程.结果表明:钢中主要存在TiC,TiCN,Ti4C2S2,TiN等析出物,连轧前TiN的析出过程已基本完成;大量纳米尺寸的TiC球形析出物粒子在铁素体的位错线上分布;Ti含量增加改变了MC相的粒度分布,小尺寸粒子的体积分数显著增加,增强了沉淀强化的效果

对含锌铅钢铁厂粉尘配碳球团,经还原焙烧后得到的高炉用金属化球团的固结机理进行了研究。结果表明:金属化球团的强度由金属铁相的数量和形态以及球团内孔隙的大小共同决定。球团孔隙的大小取决于脉石所形成的渣相的流动性和渣对孔隙的充填状态:铁相的数量及形态则取决于球团的还原程度