Structural,mechanical and corrosion properties of CNT-304 stainless steel nanocomposites

In this work, a systematic investigation was performed on the structural, mechanical and corrosion properties of CNT incorporated 304 stainless steel. Various concentrations of CNT from 0.5 to 4 wt% were incorporated into the 304 stainless steel matrix to investigate the feasibility of fabrication and enhancement of strength and other material properties. The fabrication of CNT-steel composite was achieved through a spark plasma sintering process at a sintering temperature of 800℃. Raman and morphological studies confirmed that the CNT structure was retained in the sintered pellets. Optimum performance was found at 0.5 wt% CNT giving a Vickers hardness of 351 Hv and compressive yield strength of 404 MPa which were 5.5 and 2.0 times, respectively, those of pristine steel. Corrosion studies with 3.5 wt% Na Cl solution revealed a slight increase in the corrosion rate for CNT dispersed samples.     

基于Spark的并行图聚类算法研究

对并行图聚类算法进行了研究。基于Spark 提出了一个新的并行图聚类算法；由于Spark 中的top 操作需要耗费大量的内存，提出了一个新算法来替代top 操作，有效减少了所消耗的内存；通过对自底向上的层次聚类算法进行改进提高了聚类的速度；基于图数据的特征提出了一种图数据过滤的方法来减少算法运行的时间以及所占用的空间并对其有效性进行了说明。仿真结果表明，运行效果优于进行比较的其他并行化图聚类算法。     

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.      

基于Spark的地震数据重建方法的并行化

地震勘探技术发展早已进入TB(terabytes)级数据时代，并逐步迈向PB(petabytes)级。为提升海量数据处理效率，将地震数据处理算法进行并行化是一种广泛采用的手段。但是一些复杂度较高的算法，诸如地震数据重建类方法等，并行化难度较大，加速效果不理想。Spark作为一种面向大数据处理的通用分布式并行计算技术，可以应用于并可简化地震数据处理算法并行化过程。借助于Spark的优势，通过两个实例讨论了基于Spark的地震数据重建并行化方法，提出了对于具有复杂输入输出组织数据方式的算法的并行化方法，提升了算法效率。研究成果为该类算法的Spark并行化开发提供了有益借鉴。     

无线数据传输设计在电火花震源地震勘探中的应用

为实现电火花震源在陆上无电缆地震勘探作业,解决电缆自身存在的体积庞大、不易搬运、易损坏等问题,采用XL-01数字音频模块,STM32F103ZET6作为核心控制模块,设计一套无线数据传输系统,应用于电火花震源勘探系统中,并给出软、硬件的技术实现;上位机方面采用STM32F103ZET6作为核心控制器,搭载内部12位ADC作为数据采集,采集到的数据均通过串口上传至PC端。结果表明:该系统在数据传输无缆施工中有显著意义,并能为相关行业的发展提供新思路。     

高纯Y2O3微量元素的火花源质谱法测定

利用同位素稀释法和内标法相结合，建立了火花源质谱法定量测定高纯Ｙ２Ｏ３中２０种微量元素的分析方法．大多数元素检测限为０．００ｘμｇ／ｇ，相对标准偏差在２０％以内     

Spark上的等值连接优化

等值连接作为数据分析中最常用、代价最高的操作之一,在Spark上的实现和优化与传统并行数据库有很大的差别,传统并行数据仓库中基于数据预划分的连接算法在Spark上难以实现,而目前被广泛采用的Broadcast Join和Repartition Join性能较差,如何提高连接性能成为基于Spark的海量数据分析的关键.本研究将Simi-Join与Partition Join的优势相结合,并基于Spark上的特性提出了一种优化的等值连接算法.代价分析和实验表明本算法比现有基于Spark的数据分析系统中的连接算法性能提升1~2倍.     

基于Spark SDK的连接数字语音识别

Spark SDK是L&H公司推出的可进行二次开发的语音识别软件 ,它提供了一种快速简便的方法 ,使开发人员可以将语音部分识别功能添加到他们的应用程序中。在雷达情报口报录取器中 ,利用Spark SDK实现连接数字语音识别 ,并通过编写识别专业词汇的函数以及修改Spark SDK的语法规则等方法提高了语音识别软件的识别率。     

Effect of spark plasma sintering and reinforcements on the formation of ultra-fine and nanograins in AA2024-TiB2-Y hybrid composites

This study reports the influence of sintering mechanism and reinforcement materials on the formation of ultra-fine and nanograins in Al-TiB₂-Y nanohybrid composites. The mechanical properties of the composites and their corresponding micro and nanostructures are correlated. The experimental and characterization results revealed that despite the addition of TiB₂, the hard and brittle Al₃Ti phase formation in the composites was suppressed and hence, their ductility was retained. It was found that yttrium content of 0.3 ?wt% was the optimum amount which created advantageous spark plasma sintering conditions, and the addition of 0.3 ?wt% promoted the formation of bi-modal size grains (ultra-fine and nano) along with micro grains, Ω and other nano precipitates, resulting in a significant enhancement in the composite properties. The formation of ultra-fine and nanograins may be attributed to the combined effect of melting and rapid solidification at necking zones due to Joule's heating and thermo-mechanical fatigue. Among all the sintered composites, the highest hardness (137 HV), ultimate tensile strength (UTS) (496 ?MPa), yield strength (YS) (438 ?MPa) with 15.7% elongation were obtained in the sintered sample reinforced with 1.0 ?wt% TiB₂ and 0.3 ?wt% yttrium.     

结合PCA的t-SNE算法的并行化实现方法

为了提高大数据环境下高维非线性数据的处理速度和精确度,提出一种结合主成分分析(PCA)的基于t分布的随机近邻嵌入(t-SNE)算法.首先,通过主成分分析法对原始数据进行预处理,去除噪声点;然后,结合t-SNE算法,构建K最邻近(K-NN)图,以表示高维空间中数据的相似关系;最后,在Spark平台上进行并行化运算,并在BREAST CANCER,MNIST和CIFAR-10数据集上进行实验.结果表明:文中算法完成了高维数据至低维空间的有效映射,提升了算法的效率和精确度,可应用于大规模高维数据的降维.