排序方式: 共有179条查询结果,搜索用时 15 毫秒
171.
魔芋葡甘聚糖(KGM)氧化改性后与马铃薯淀粉复配,用于制备新型植物空心胶囊。该文通过正交试验分析了氧化魔芋葡甘聚糖(OKGM)/马铃薯淀粉配比、胶液浓度、反应温度和反应时间对制备OKGM–马铃薯淀粉复合膜的影响。结果显示制备复合膜的最佳工艺参数为:OKGM/马铃薯淀粉配比1∶3、胶液浓度1.25%、反应温度60℃、反应时间3 h;此条件下制备的复合膜拉伸强度为20.8 MPa,断裂伸长率为21.3%,透光率为21.9%,透湿系数为5.1×10–9g/(mm·h·mmHg),吸湿量为7.6%,水滴渗透时间为33 min/mm。 相似文献
172.
173.
174.
分别采用光学显微镜、扫描电镜、X射线衍射仪和电子背散射衍射分析超低温等通道转角挤压(ECAP)中等应变量单晶铜的形变组织和织构演变,测试材料的力学和导电性能,分析材料组织转变机理及其对材料力学和导电性能的影响。结果表明,超低温ECAP早期形成的定向剪切带在后续变形过程中会严重影响材料组织的转变过程。增加应变量,A路径变形中剪切带内部会形成高密度的位错塞积,特征晶界占比增加;BC路径变形时剪切带内部的位错发生强烈的交互作用;C路径变形后剪切带的取向发生分散。经过6道次变形后,单晶铜组织中形成强烈的{111}<112>织构,材料强度从初始126.0 MPa增加到400.2 MPa,而导电率仍保持在98%IACS以上。低温ECAP变形后组织内部形成定向剪切带并产生高密度的位错,位错间相互缠结,有效阻碍了位错滑移,而晶粒仍保持良好的单晶特性。 相似文献
175.
针对B1C信号捕获的灵活性和多样性,提出将TMBOC信号与BOC(1,1)信号分别对其进行非匹配捕获的研究。首先建立B1C信号数学模型,对算法研究原理进行了数学推导,其次针对信号捕获的检测概率进行了分析,并对非匹配捕获中存在的信噪比损失给出了理论分析,并对实际采集到的B1C信号做捕获仿真研究。仿真表明,BOC(1,1)信号捕获能够获得更高的峰均比,而TMBOC信号在捕获B1C信号导频分量时峰均比更优,但整体相较前者峰均比下降约046 dB,算法的研究为B1C信号同步提供了新的思路。 相似文献
176.
针对含裂纹损伤风力机在运行过程中产生的失效现象,将切变来流作为入口条件,基于流固耦合原理,分析含不同形式裂纹损伤的风力机叶片应力分布规律。通过无人机现场实验得知,裂纹主要集中于叶根(r/R=0.10截面)和叶中(r/R=0.50截面)后缘部位。单叶片在30°方位角时应力最大,额定风速下分布于叶根的裂纹受力最大,为33.34 MPa。强风风速下分布于叶中的裂纹受力最大,为44.31 MPa。重力载荷主要影响叶根部位的受力,气动载荷则主要作用于叶中,风速越大,叶中部位的裂纹越容易产生扩展。同时,沿弦向分布的裂纹,其扩展趋势最强。对于叶根处裂纹而言,若使叶片产生失效,裂纹长度需达到弦长的1/2、深度需达到叶片厚度的1/2;对于叶中处裂纹而言,若使叶片产生失效,裂纹长度需达到弦长的3/8、深度需达到叶片厚度的1/3。 相似文献
177.
利用Gleeble-3500型热模拟试验机对Zr-4合金试样进行等温恒应变速率压缩实验,对其热变形行为进行分析,综合考虑变形温度对Young’s模量和自扩散系数的影响,建立了Zr-4合金基于应变耦合的物理本构模型。研究结果表明:合金的峰值应力对变形温度和应变速率敏感,峰值应力会随应变速率的增加或变形温度的降低而增大;基于应变耦合构建的物理本构模型能够较好地预测合金在热变形过程中的流变应力,其相关系数R为0.986,预测值偏差在10%以内的数据点占93.2%,平均相对误差为6.3%。 相似文献
178.
为了应对滚动轴承早期微弱故障的挑战本文提出了一种新的方法。该方法首先采用PCA(主成分分析)对振动信号进行特征筛选,以降低数据维度,有效地简化了振动数据的结构,增强了特征的表达力。接着,使用CEEMDAN(完全自适应噪声集合经验模态分解)算法来分解被背景噪声干扰的微弱故障振动信号,它通过在经验模态分解(EMD)的基础上引入自适应噪声,增强了对微弱特征的识别能力,有够效地分离出趋势和噪声数据,显著提高了故障诊断的准确性。最后,引入Transformer模型,进一步优化了特征的提取和表征,实现对长序列数据的高效处理,用于微弱故障特征的提取和表征。这一综合方法具有降维、噪声抑制和长序列处理等多重优势,有望在滚动轴承故障检测中取得显著成果。 相似文献
179.
为对风力机叶片损伤状态进行有效检测,提出一种基于改进YOLO-v3算法的风力机叶片表面损伤检测识别技术。根据风力机叶片损伤区域特点,对网络中锚框(anchor)的尺度进行调整优化;在特征提取网络后引入基于注意力机制的挤压与激励网络(squeeze and excitation networks,SENet)结构,使YOLO-v3算法更加关注与目标相关的特征通道,提升网络性能。结果表明,改进后算法的平均精度为84.42%,较原YOLO-v3算法提升了6.14%,检测时间减少了21 ms,改进后的YOLO-v3算法能较好地识别出风力机叶片表面损伤。 相似文献