高熵合金CrNbTiVZr的微观组织及其在模拟PEMFC环境中腐蚀行为研究

采用真空电弧熔炼和热处理制备了CrNbTiVZr高熵合金,利用XRD、SEM/EDS、动电位与恒电位极化曲线测试及XPS表面分析等方法,研究了高熵合金铸态及退火后的微观组织特征以及合金在模拟PEMFC环境中的电化学腐蚀行为及其钝化膜组成。结果表明,CrNbTiVZr高熵合金的铸态和退火组织均由富集Ti、Nb元素的无序BCC相和富集Cr、V、Zr元素的Laves相组成。铸态和退火合金在模拟PEMFC阴极环境中腐蚀电流密度Icorr均比304SS不锈钢下降一个数量级,具有较好的耐蚀性和稳定性,但在阳极环境中其耐蚀性与304SS相当,其中铸态合金的稳定性较差。合金在阴极环境良好的耐蚀性主要与其表面形成由Cr2O3、Nb2O5、V2O3、Ti2O3及ZrO2组成的致密钝化膜关系密切。     

基于组合赋权-集对分析的煤矿煤尘爆炸危险性评价研究

针对目前煤尘爆炸危险性评价研究较少、各评价因素选择偏差较大的问题,通过分析煤尘爆炸特性,提出以煤尘可爆性危险、煤尘爆炸浓度危险、点火源危险3个必要条件为一级指标,煤质变异程度、挥发分、水分、灰分等14个二级指标,以层次分析法确定各指标的主观权重,以熵权法确定各指标的客观权重,利用乘法归一化方法对各指标的组合权重进行计算,构建集对分析-组合赋权煤尘爆炸危险性评价模型,并将该模型与已较成熟的改进FAHP模型、模糊事故树模型、灰色聚类评估体系、未确知测度评价模型一同应用于济宁某矿的煤尘爆炸危险性评价过程中,结果显示:集对分析-组合赋权评价模型、改进FAHP模型、灰色聚类评估体系评价结果为一般危险等级,模糊事故树模型的评价结果为较安全等级,集对分析-组合赋权煤尘爆炸危险性评价模型评价结果与改进FAHP模型、灰色聚类评估体系、未确知测度评价模型的评价结果一致,该模型对煤尘爆炸危险的评价具有较好的适用性。     

碳含量对激光熔覆CoCrFeMnNiCx高熵合金涂层摩擦磨损和耐蚀性能的影响

采用激光熔覆技术在 45 钢基体上制备了不同碳含量(等摩尔比)的 CoCrFeMnNiC_x( x = 0,0. 03,0. 06,0. 09, 0. 12,0. 15)高熵合金涂层。 通过 X 射线衍射(XRD)、扫描电镜( SEM)、HVS-1000A 型显微硬度计、RST5000 型电化学工作站、UMT-2 型摩擦磨损试验机等表征和测试手段研究了不同碳含量对激光熔覆 CoCrFeMnNiC_x 高熵合金涂层物相结构、显微硬度、摩擦磨损及耐腐蚀性能的影响。 结果表明,当碳含量 x 由 0 逐渐增加至 0. 09 时,高熵合金相结构由 FCC 固溶体转变为 FCC 固溶体和 M23C6 相共存,合金微观组织变得细小;熔覆层硬度由 183. 20 HV_{0. 2} 增加至 223. 48 HV_{0. 2} ; 涂层的摩擦因数降低,耐磨性能变强;腐蚀电位由-469 mV 增大至-348 mV,腐蚀电流密度由 14. 95 μA·cm^-2 减小为 2. 29 μA·cm^-2 ,耐腐蚀性增强。 当碳含量 x 由 0. 09 逐渐增加至 0. 15 时,合金相结构再次转变为 FCC 固溶体,且合金微观组织恢复粗大状态;熔覆层硬度与耐腐蚀性降低,但耐磨性能却先减弱后增强。 合金在碳含量为 0. 09 时,硬度最高且耐腐蚀性能最强;在碳含量为 0. 15 时,耐磨性最强。     

频带能量与样本熵在注意力脑电信号中的对比研究

脑电波是一种复杂的生物电信号,可反应出大脑内部的活动及注意力等精神状态。基于此,论文设计了注意力相关的脑电实验,并完成了受试者脑电数据的采集,对所采集的脑电数据分别从以下两种角度进行研究:从时频分析的角度,采用db4小波基对原始脑电信号进行7层小波包分解,提取了β波/θ波能量占比作为特征量;从非线性动力学的角度,提取脑电信号的样本熵作为特征,并分别对各受试者进行注意力的分级研究。通过对比分析,结果表明两者都能从一定程度上表征注意力水平的状况,但样本熵对于多级注意力的区分度更好。     

基于深度语义分割的多源遥感图像海面溢油监测

针对遥感图像海面溢油区域通常受到斑噪声以及强度不均等因素的影响,从而导致溢油区域监测效果较差的问题,本文引入了深度语义分割的方法,将深度卷积神经网络与全连接条件随机场相结合,形成端对端连接。以Resnet结构为基础,首先通过深度卷积神经网络对多源遥感图像粗分割并作为输入,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理,建立条件随机场形成递归神经网络作为输出。通过多源遥感图像对海面溢油区域进行监测,并利用可见光图像估计溢油区域面积。实验在所建立的多源遥感图像数据集上与其它先进模型进行对比,结果表明本文方法提高了溢油区域的分割精度以及精细细节程度,平均交并比为82.1%,监测效果具有明显地改善。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

融合语义标签和噪声先验的图像生成

针对现有生成模型难以直接从复杂语义标签生成高分辨率图像的问题,提出了融合语义标签和噪声先验的生成对抗网络(SLNP-GAN)。首先,直接输入语义标签(包含形状、位置和类别等信息),使用全局生成器对其进行编码,并结合噪声先验来学习粗粒度的全局属性,初步合成低分辨率图像;然后,基于注意力机制,使用局部细化生成器来查询低分辨率图像子区域对应的高分辨率子标签,获取细粒度信息,从而生成纹理清晰的复杂图像;最后,采用改进的引入动量的Adam算法(AMM)算法来优化对抗训练。实验结果表明,与现有方法text2img相比,所提方法的像素精确度(PA)在COCO_Stuff和ADE20K数据集上分别提高了23.73%和11.09%;相较于Adam算法,AMM算法收敛速度提升了约一倍,且损失值波幅较小。可见,SLNP-GAN能高效地获取全局特征和局部纹理,生成细粒度、高质量的图像。