浅析低压配网无功补偿配置技术

本文就低压配网无功补偿配置技术进行分析。     

一种支持模型驱动开发的Web用户界面建模方法

针对Web应用的特点,提出了一种基于XML和界面模板技术的界面建模方法。该方法以图形化的方式在模型层展示了Web用户界面的直观样式,能够对模型驱动的软件开发提供有力的支持。     

基于多场耦合仿真的时效态铝合金电磁翻孔成形

针对T6态2219铝合金壳体电磁翻孔成形,基于ANSYS/LS-DYNA建立了电磁场-结构场耦合模型,通过数值模拟分析了电磁翻孔过程中板材的变形规律,研究了放电电压、预制孔直径对不同成形区域的贴模间隙和减薄率的影响。结果表明：电磁翻孔过程中产生的材料径向应变有利于抑制孔壁减薄;随着放电电压的增大,孔壁贴模间隙显著减小,但凹模圆角处的贴模间隙以及材料最大减薄率增加;随着预制孔直径的增大,孔壁贴模间隙有所减小,凹模圆角处的贴模间隙以及材料最大减薄率小幅增加。通过试验验证了模拟结果,确定放电电压和预制孔直径分别为12.75 kV和Φ99 mm时,可以得到翻边高度不小于27 mm的Φ120 mm的法向翻孔。     

基于阵列涡流技术的管道变形检测数值分析

及时发现管道变形缺陷并排除安全隐患,对保证油气资源正常运输有重大意义。鉴于此,针对阵列涡流管道变形检测技术进行了电磁理论分析,从磁畴的微观水平上解释了涡流信号的变化机理,提出管道内检测器上阵列探头的3种布置方案,利用Maxwell有限元分析软件对阵列涡流管道变形缺陷检测的三维模型进行数值模拟,以磁感应强度峰值为特征量对管道变形缺陷进行分析。分析结果表明：基于电涡流传感技术的管道变形缺陷检测中,管道磁畴磁化产生的磁场强度大于感应涡流产生的磁场强度;阵列涡流传感器输出信号变化量随管道变形量呈四次多项式递增的变化规律;对比单独布置的传感器,阵列涡流传感器对管道变形缺陷检测的灵敏度至多下降10%。所得结论可为油气管道涡流变形内检测探头的研制提供技术支撑。     

干热处理对藜麦全粉结构及混粉面团流变学特性的影响

本研究以藜麦全粉为原料,分别进行常温(对照)、110、130、150℃干热处理1 h;将不同处理的藜麦粉15%与小麦粉85%(w/w)混合制作面包,分析干热处理温度对藜麦粉结构、混粉面团粉质特性、拉伸特性及面包质构特性、体外消化活性的影响。结果表明:干热处理使藜麦粉颗粒表面的聚集物脱落并出现缺陷,并且随着处理温度的升高,聚集物脱落的程度增加。干热处理未改变藜麦粉的A型晶型结构。与添加常温藜麦粉的面团相比,添加110、130、150℃干热处理藜麦全粉混粉面团的吸水率和弱化度分别升高1.79%和43.75%、3.25%和104.17%、4.83%和125.00%;延伸度、最大拉伸阻力和拉伸阻力均呈下降趋势,拉伸比呈现先升高后降低的趋势。干热处理温度为110℃时,面包硬度降低1.82%、弹性增加4.51%,而其他处理使面包硬度增加、弹性降低。干热处理使藜麦面包RDS含量显著降低,SDS和RS含量显著增加(P<0.05)。该研究结果可为藜麦粉功能性食品的研发提供理论依据。     

浅埋缓斜煤层回采巷道合理煤柱宽度设计

探讨了煤柱的受力情况及煤柱的极限承载能力,通过极限平衡理论塑性区计算模型得出最小煤柱宽度,并用数值模拟分析了尺寸效应对煤柱塑性区宽度、应力分布及巷道变形的影响.     

热电Bi2Te3/Bi2Se3纳米“弹簧”材料的电化学组装

为了探索制备具有高热电优值的一维纳米材料,采用脉冲电化学技术制备了一种热电Bi₂Te₃/Bi₂Se₃多层纳米线材料。对电沉积过程的监测结果表明,电沉积过程中体系电阻不断增大,随着电沉积的不断进行,体系电阻增大幅度越来越小。对电沉积产物进行退火处理,然后溶解掉模板,进行XRD测试,结果表明,所制备的产物是Bi₂Te₃/Bi₂Se₃,同时,有很多“卫星峰”出现在衍射图上,表明所制备的材料具有超晶格结构。运用FE-SEM、TEM对产物形貌进行分析,结果发现,所制备的材料是像“弹簧”一样形状的Bi₂Te₃/Bi₂Se₃多层纳米线。通过对脉冲时间的调节,可以实现对多层纳米线周期的调制。     

陈村水电站计算机监控系统

1系统方案在分析了全国目前使用的计算机监控系统的几种模式和陈村水电站的实际情况后，陈村水电站和有关科研单位合作，作出了陈村水电站计算机监控系统的方案．1．1系统结构该系统为分层分布式结构，总线为同轴电缆以太网，附设仿真培训系统1.1.1主控层由两套主控机（双冗余配置）和功能切换装置（包括远动通讯用MODEM）构成．每套主控机由一台Intel302i微机带一台21”图形终端、一台功能键盘和一台EPSONLQ－1600中文打印机组成．1.1．2现地层由三台机组LCU，一台开关站LCU和一台公用LCU构成．机组LCU由SJ－400型LCU，SJ－12…     

基于改进CNN的轴承声学故障诊断

针对轴承振动信号在复杂机械中难采集和跨转速域工况下传统故障诊断方法精度低的问题,文中提出了一种基于Teager能量算子和卷积神经网络的滚动轴承声学故障诊断方法,即TEO-CNN。将轴承声学信号的Teager能量算子作为模型的输入,使用卷积神经网络学习输入的抽象特征,并结合全局平均池化层和全连接层实现轴承健康状态识别。模型验证基于轴承声学实验数据,并通过构建不同的轴承声学数据集模拟跨转速域工况。试验结果表明,与传统卷积神经网络和机器学习模型相比,TEO-CNN表现出明显的优势,并且在跨转速域工况下的预测精度始终高于95%。