排序方式: 共有76条查询结果,搜索用时 15 毫秒
1.
采用旋转摩擦挤压(RFE)法制备多壁碳纳米管增强铝基(MWCNTs/Al)复合材料,分析MWCNTs/Al复合材料的显微组织、硬度和磨损性能。结果表明:用RFE法可制备具有一定形状尺寸的块体MWCNTs/Al复合材料;复合材料的成形质量好,显微组织为经动态再结晶后的细小等轴晶,MWCNTs在铝合金基体中分布均匀。复合材料的硬度随着MWCNTs体积分数增加先增加后降低,当MWCNTs体积分数为4%时,硬度是经RFE加工后基材的1.2倍。MWCNTs在复合材料磨损过程中起润滑作用,有助于降低MWCNTs/Al复合材料的磨损量提高复合材料的耐磨性。随MWCNTs体积分数的增加,复合材料的磨损率降低,当MWCNTs体积分数大于3%后磨损率变化较小。这是由于MWCNTs体积分数的增加,磨损机制发生变化,即由黏着磨损和轻微磨粒磨损转变为剥层磨损和磨粒磨损。 相似文献
2.
分析了民用建筑配电系统中,因单相负荷所占比例较大,且使用的随机性亦很大,造成三相负荷阶段性的严重不平衡.采用传统的单相采样、三相共补、功率因数控制的无功集中补偿方式,因三相负荷的不平衡,易导致无功欠补偿或过补偿.为了最大限度地既避免欠补偿,同时又避免过补偿,补偿后的功率因数宜取0.94~0.95左右. 相似文献
3.
5.
结合数值模拟与人工神经网络技术研究了汽车内覆盖件承载地板在冲压成形中压边力的预测。将板料模型零件导入到Dynaform中进行网格划分并对其拉深过程进行模拟仿真,结合正交试验获取不同参数条件下最佳压边力的数据样本,然后运用Matlab软件中的GRNN神经网络工具箱对数据进行训练学习,采用训练好的神经网络对板料成形过程中的压边力进行预测,获得了板料拉深过程中的压边力变化曲线。通过预测结果和模拟结果对比,预测误差在10%以内。将预测的曲线对零件模拟仿真,结果显示零件最大减薄率在25%以内,并对板料进行实际冲压验证。结果显示成形效果良好,无起皱、破裂缺陷,符合实际生产的要求,说明GRNN神经网络可以用于零件冲压过程中压边力的预测。 相似文献
6.
7.
8.
9.
樊浩 《智能建筑电气技术》2022,(2):21-24
针对15层住宅楼(一梯四户)的住户配电系统,通过对多种方案进行成本核算、经济分析,取得各配电系统的经济量化结果,不同方案对初投资的影响差别较大,其中层配电箱设置对初投资影响最大,为合理设计住宅配电系统提供参考。 相似文献
10.
碳酸铁锂电池在使用过程中,各项参数会发生规律性变化,其折旧率的规律是反映锂电池能量的重要指标。通过建立电池模型,研究了锂电池剩余电量的估计方法,列举了常见的电池SOC(电池的荷电状态,State of Charge)的估计方法,分析了各种方法的优点和局限性,提出基于人工神经网络模型的SOC预测方法,并在车仿真软件ADVISOR上进行仿真分析。最后通过动力电池SOC的仿真结果,给出了电动汽车动力电池SOH(电池的寿命状态,State of Health)的预测方法,提出通过曲线拟合模型进行预测,得出电池衰减速度的规律。 相似文献