规则粗糙固体表面液体浸润性对表观接触角影响的研究

在粗糙表面固液接触角的Wenzel模型和Cassie模型的基础上,考虑规则粗糙形貌中液体浸润性对表观接触角的影响,推导出了一种新的规则粗糙表面的表观接触角模型。数值分析结果表明,规则形貌的设计可以控制液体的浸润特性,以及固液表观接触角,其中微孔的孔深和孔分辨率等几何参数成为重要的控制参数。同时,我们进行了相关的实验验证。这种考虑液体浸润性的表观接触角模型,也提供了对表观接触角滞后现象解释的可能。     

溪洛渡、向家坝库区及坝下水温分布特性及成因分析

为研究库区及坝下水温分布情况,以溪洛渡、向家坝水库为研究对象,从2016年8月至2017年7月对其进行连续性的水温监测,分析了其表层水温和垂向水温的变化特性及成因。初步研究结果表明:各断面表层水温的特征值主要体现在年内的变化,水温和气温具有较好的正相关性;坝体附近断面,坝下断面表层水温要明显低于坝上断面;两库区近坝段的溪洛渡坝上和向家坝坝上两断面水温分层现象最为显著,通常表现为春、夏季分层显著,秋季分层较弱,冬季基本呈等温分布。该研究可为梯级电站的分层取水和生态调度提供重要依据。     

硅藻土与蒙脱土协同改善SBS改性沥青性能的研究

为探明硅藻土与蒙脱土协同使用对SBS改性沥青性能的影响,本文通过熔融共混法制备了不同配比的硅藻土/蒙脱土/SBS改性沥青。采用常规物理性能测试、动态剪切流变实验、压力老化和紫外老化实验对硅藻土/蒙脱土/SBS改性沥青的物理、流变和老化性能进行了评价,并利用傅里叶变换红外光谱(FTIR)分析了老化过程中改性沥青化学结构的变化。研究表明,硅藻土与蒙脱土协同使用,不仅提高了SBS改性沥青的软化点与黏度,改善了SBS改性沥青的高温抗变形能力,而且有效降低了蒙脱土对SBS改性沥青低温抗裂性能的不利影响,并能够明显减小压力老化和紫外老化对SBS改性沥青软化点和黏度的负面影响,大幅度提高其延度保留率。蒙脱土掺量为1.5%时,硅藻土的适宜掺量为6%。FTIR分析表明,硅藻土与蒙脱土协同使用抑制了SBS改性沥青压力老化和紫外老化后羰基指数的增加与丁二烯指数的降低,增强了SBS改性沥青的抗老化能力。     

现代网络技术在远程教育中的应用

本文讨论了现代远程教育的现状,分析了基于电视网络的远程教育系统和基于计算机网络的远程教育系统,研究了基于Web的多媒体及视频流课件。     

基于泛在电力物联网的用电行为特征解析与应用研究

针对现有技术存在电力负荷分析预测、电网规划和业扩报装困难等问题,提出基于泛在电力物联网的用电行为特征分析方法.采用思维进化算法对BP神经网络的初始权值和阈值进行优化,然后输入跟用户用电行为有关的电费单价、家庭经济情况和天气等因素数据,经过训练收敛输出一个融合各种因素的用电行为数据,最后再采用灰色GM(1,1)模型,根据融合后的数据实现了用户的用电行为预测,从而快速输出预测数据.以淮安市2018年的食品、饮料和烟酒制造业的用电量为例,提高了数据融合的预测结果准确度.     

稳健最小二乘法在风电塔筒垂直度分析中的应用

风电塔筒是风电机组重要支撑结构,其垂直度对机组安全及稳定性有重要影响,塔筒受自然和人为因素的长期影响会出现表面损伤、结构不均匀等现象,塔筒的传统监测方法会产生异常误差而导致测量结果失真。对此,本文采用稳健估计理论分析风电塔筒垂直度,结合最小二乘法拟合塔筒截面测量值的圆心及半径,通过Huber迭代权函数,逐步消除测量值序列存在的粗差、偶然误差等异常测点的影响,并采用实例进行验证。结果表明:稳健最小二乘法拟合风电塔筒垂直度具有较强的抗差能力,可有效避免粗差、偶然误差等异常测量值的影响,提高了拟合参数和垂直度分析的可靠性,易于编程实现,具有较强的实用价值,该方法可为风力发电塔及类似高耸塔筒的垂直度监测分析提供参考。     

基于博弈决策融合的协同故障诊断技术

针对协同故障诊断所引起的诊断结果的冗余与互补问题，引入博弈决策融合技术，解决了诊断结果不一致的问题，并将该技术应用于应急通信故障诊断系统中，得到了对系统故障综合决策的结论。     

同步整流DC/DC升压芯片中驱动电路的设计

在DC／DC转换芯片中，为了保证功率开关管及时导通和截止，需要设计专门的驱动电路。本文设计了同步整流驱动电路，通过引入负跳沿延时单元，消除了CMOS瞬态短路导通现象，降低了功耗，保护了输出级。HSPICE仿萁表明，驱动电路延时小于14ns，能满足较高开关频率的要求；同时，开关转换时的尖峰电流减小了56％，功耗也降低了19．3％。     

增量深度学习目标跟踪

由于现有目标跟踪算法在复杂环境下易发生目标漂移甚至跟踪丢失,故本文提出了以双重采样粒子滤波为框架,基于增量深度学习的目标跟踪算法。该算法在粒子滤波中引入粒子集规模自适应调整的双重采样来解决粒子衰减及贫化问题,并利用无监督特征学习预训练深度去噪自编码器以克服跟踪中训练样本的不足。将深度去噪自编码器应用到在线跟踪中,使提取的特征集合能够有效表达粒子图像区域。在深度去噪自编码器中添加了增量特征学习方法,得到了更有效的特征集以适应跟踪过程中目标外观变化。该方法还用线性支持向量机对特征集合进行分类,提高对粒子集合的分类精度,以得到更精确的目标位置。在复杂环境下对不同图片序列进行的实验表明:该算法的跟踪综合评价指标为94%、重叠率为74%,平均帧率为13frame/s。与现有的跟踪算法相比,本算法有效地解决目标漂移甚至跟踪丢失问题,并且对遮挡、相似背景、光照变化、外观变化具有更好的鲁棒性及精确度。     

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。