3D打印制备各向异性超疏水功能表面的定向输送性能

目的 在光敏树脂基底上制备各向异性超疏水功能表面,实现液滴的定向输送。方法 采用光固化逐层成形3D打印法,在样品基底上制备具有不同形状和结构尺寸的超疏水结构阵列。通过扫描电子显微镜（SEM）、EDS能谱分析,对样品的表面形貌与化学成分变化进行表征。采用接触角检测系统、高速摄像机,通过液滴弹跳、各向异性润湿性与定向输送实验,分析与评价不同阵列表面的超疏水性能、各向异性润湿程度以及定向输送行为。结果 液滴弹跳实验结果表明,液滴可在正方体及交错长方体阵列表面形成饼状弹跳,且后者超疏水性能最佳。各向异性润湿性实验结果表明,在圆柱体阵列中,各向异性润湿性程度随相邻圆柱体高度差Δh的增大而趋于显著,且Δh=1 mm时,各向异性润湿性最为显著;在长方体阵列中,长方体宽度w1及相邻长方体间距sp1对各向异性润湿性程度均有一定影响,w1=0.3 mm、sp1=1 mm时,各向异性润湿性最为显著。定向输送实验结果表明,Δh=1 mm的圆柱体阵列及w2=0.7 mm、sp2=0.7 mm的长方体阵列的定向输送性能最佳,液滴可按照设计的路线精准流动。结论 3D打印所制备的光敏树脂基功能表面的超疏水性能、各向异性润湿程度以及定向输送行为由其表面形貌和结构尺寸所决定,所制备的样品可实现液滴的精准定向输送。     

自适应自动驾驶等级的驾驶人状态监测模型研究

自动驾驶等级的逐级提升意味着驾驶执行权从驾驶人向车辆自动控制系统逐渐转移,驾驶人所承担的责任也随之发生变化。大量研究表明,自动驾驶车辆驾驶人的注意力跨度与行驶安全性密切相关,且不同等级自动驾驶所要求的驾驶人状态阈值存在差异。提出一种融合长短记忆(Long short term memory,LSTM)网络和驾驶人状态判别机制的驾驶人负荷状态预测模型(long short term memory network driver state prediction model,LSTM-DSDM),实现驾驶人负荷状态的预测及其状态转变阶段的识别,并基于不同自动驾驶等级下驾驶人的任务要求,提出了“低等级识别,高等级预测”的驾驶人负荷状态监测策略。试验结果表明本研究搭建的驾驶员负荷状态预测模型在低自动驾驶等级情况下的负荷识别率可达90%以上;在高自动驾驶等级情况下实现可靠的负荷预测和驾驶人负荷状态过渡阶段的辨识,有效应对不同自动驾驶等级驾驶人负荷状态的监测需求。