溶出固形物对软米硬度和黏弹性的影响

以粳米和糯米为对照,研究了溶出固形物对软米硬度和黏弹性的影响。分析发现软米溶出固形物质量分数为11.85%,显著高于粳米和糯米(P<0.05),与弹性显著正相关(P<0.05)；与粳米和糯米相比,软米中的固形物直支链淀粉比最低,利于形成连续凝胶网结构。此外,软米溶出淀粉侧链中聚合度为6~12的短链A链比例最高,赋予其较好的黏弹性。质构和流变分析结果表明:除溶出固形物后,软米的硬度显著增加,黏硬比和弹性显著降低。扫描电子显微镜结果表明:除溶出固形物后米粒表面粗糙、凹凸不平,有明显的孔洞；软米表面所形成的渔网状孔洞状结构能够对饭粒起到支撑作用,使得整个饭粒弹性更好。溶出固形物含量、组成、分子结构及其在米饭表面分布的差异是软米较低硬度和较好黏弹性优势产生的主要原因。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

无线充电

无线充电(wireless charging)是指供电设备借助电感耦合,不用导线连接,将电能通过电磁场传送至用电装置的过程。无线充电技术源于无线电能传输技术,主要是利用磁场感应、磁场共振、电场感应、电磁波原理通过非物理连接方式给用户端(例如手机)进行电能传输,以实现给设备充电的目的。     

2019年微纳米力学热点回眸

 微纳米尺度下材料的力学性能与样品的尺寸和表界面等物理量密切相关，因此纳米材料的力学性能可以在很大范围内进行高效的调节，使得纳米材料能够拥有超轻、超硬、以及高断裂强度和高韧性等卓越的力学性能。从尺度缺陷效应和生长机理、屈曲机理分析和应用、界面力学性能和应用、生物和软物质力学性能、软体机器人、机器学习等方面盘点了微纳米力学2019年取得的研究成果。     

Seismites(地震岩)等术语的概念与名称

seismites,按其字面意思理应翻译成地震岩,即与地震有成因联系或受发震断裂改造、变形的岩石。按发震时地质材料的固结程度与力学性质,地震岩可分为震积岩(地震时尚未固结成岩的含水沙土层,即软沉积物)和脆性断层岩(地震时已经固结成岩的沉积岩、岩浆岩和变质岩)。脆性断层岩包括断层角砾岩、碎裂岩、超碎裂岩、假熔岩和断层泥等。发育由沙土液化形成的软沉积物变形构造的沉积岩,统称为“沙土液化岩”(liquefactites),但是长期以来一直被误译为seismites。大量的研究表明,并不是所有的沙土液化和软沉积物变形都是由地震造成的,也并不是所有地震都能导致沙土液化。只有那些所在区域存在重要发震断层、真正由地震引起的区域性的沙土液化造成的软沉积物发育变形构造的岩层才能称之为震积岩(seismic liquefactites)。震积岩不应再翻译成seismites。零星出现的软沉积物变形构造与沙土液化构造(例如:砂涌丘)不足以作为古地震的证据。     

基于宽度学习的浓密机底流浓度软测量

由于浓密脱水过程中浓密机的底流浓度难以在线检测，本文提出了一种基于宽度学习的软测量建模方法，用以解决底流浓度的在线检测问题.该方法精度高，泛化能力强.首先，在浓密机内部安装压力传感器，建立正常工况下的历史数据集;然后，利用宽度学习系统对软测量模型进行训练，从而实现浓密机底流浓度的在线预测;最后，通过仿真实验验证了该方法的有效性.与传统的机器学习方法相比，宽度学习方法具有更高的预测精度.     

上海冻融淤泥质软黏土孔隙结构特征分形研究

对上海第④土层淤泥质软黏土进行了冻融试验、压汞试验和渗透性试验,并结合分形理论,确定了冻融对土壤孔隙结构的影响.根据分形计算,将上海软黏土中的孔隙分为3类.结果表明,在冻融过程中,中孔和大孔的总分形维数和表面分形维数随渗透系数的增加而增大.最后,提出了由小孔隙和中、大孔隙组成的渗透系数与孔隙结构参数之间的关系,小孔隙的渗透系数比中、大孔隙低几个数量级.     

拖拉机动力输出轴载荷经验模态分解软阈值降噪研究

针对拖拉机旋耕作业动力输出轴(PTO)载荷降噪中载荷先验特性预判的问题,提出了PTO载荷经验模态分解(EMD)软阈值降噪方法,得到了PTO载荷相同时域内不同频率固有模态函数(IMF)。利用边界局部特征尺度延拓算法对IMF出现的端点效应进行了抑制,与镜像对称延拓算法和多项式拟合延拓算法比较,在运行时间、正交指数及IMF数量3项评价指标中均占优势。利用IMF分量与载荷相关系数,辨识出前3阶IMF分量为噪声主导分量,对前3阶IMF分量分别进行了软阈值降噪,与剩余分量叠加重构了降噪后的PTO载荷。降噪后的PTO载荷主频为4.492 Hz,与试验中旋耕机刀轴旋转频率相符。与EMD低通滤波降噪算法比较,EMD软阈值降噪算法属于自适应数据驱动,不需要设定截止频率。以含噪信号与噪声误差比(d_(nSNR))为降噪性能评价指标,EMD软阈值降噪算法的d_(nSNR)为12.712 5,小于EMD低通滤波降噪算法的d_(nSNR)值13.266 6,对比结果表明EMD软阈值降噪算法对实测拖拉机PTO载荷降噪效果明显。