GH720Li合金长期时效过程中γ'相演变规律

研究GH720Li合金经标准热处理(1105℃,4 h→油冷﹢650℃,24 h→空冷﹢760℃,16 h→空冷)后分别在720℃时效0~5000 h和800℃时效0~1000 h后γ'强化相的演变规律. 合金在720℃,5000 h时效后一次γ'相的尺寸、形态以及数量基本不发生变化;在720℃,200 h时效后,二次γ'相发生明显粗化;500 h后出现不均匀长大. 相应地,500 h前硬度下降速率大, 500 h后趋于平稳. 在800℃,500 h时效后,一次γ'相发生粗化;800℃,100 h时效后,二次γ'相发生明显粗化且不均匀长大. 500 h前硬度下降斜率很大,500 h后硬度仍有明显下降趋势. 720℃及800℃时二次γ'相粗化行为是以扩散控制的粗化机制为主导. γ'相平均半径与时效时间满足立方根关系,符合L-S-W ( Lifshiz-Slyozov-Wanger)理论.     

一种改进的最大一致性点云几何基元拟合算法

基于MCMD_Z(maximum consistency with minimum distance and robust Z-score)算法思想,提出了一种稳健的且适用于平面、二次曲面(球、圆柱、圆锥)基元高精度拟合算法.算法依据距离和最小准则,从含有粗差的点集中选取最佳点子集拟合可靠模型初值,并采用稳健Z分数方法循环剔除粗差;对剔除粗差后的保留点集采用加权最小二乘迭代方法拟合.实验表明,对粗差含量较高的点云数据,该算法均能有效剔除粗差、拟合出高精度的几何基元.     

基于粗集约简的索引枚举选择方法

依据可索引列构造原子配置及其候选空间,针对候选配置提出了一种基于粗集约简的分层估算方法.首先通过对关系型联机分析的查询执行语法分析,生成索引集的原子配置,使得其中的索引列均被高代价算子访问.然后利用约简迭代构造彼此不可替代的索引集,以有效缩减待考察空间.最后基于索引的数量约束,使用枚举代价估算消除了当前层中代价最大的索引.利用约简的特性,该方法在保证索引有效性的前提下,有效降低了代价估算的复杂度.实验验证在付出中等规模的估算代价后,约简分层的枚举方法显著提高了枚举估算的效率.     

基于粗集理论的简易就业情况VB查询系统

知识的简易表述和传递对我们这个社会有着举足轻重的作用,粗集理论的研究更为社会的进步产生了非同小可的影响;我们要运用粗集的优点,把复杂的信息简单明了化,但同时也要保证事实的完备性。文章中运用粗集的基本知识,简化了一个就业情况调查表,把化简出来的结果用Vb制作成一个系统,方便人们根据自己的情况预测就业情况。     

粗区域生成与二重粗积分

以函数单向S-粗集的上、下近似生成的函数为基础,提出了粗区域的概念,进而提出基于函数单向S-粗集的二重粗积分的概念,研究其性质得出了二重粗积分是普通二重积分、一元粗积分的推广。而且由于它具有双向动态特性,为研究能量输出状态变化等实际问题提供了一个有效的工具。     

基于S-粗集信息的隐藏与还原

运用S-粗集的属性颗粒特征对信息进行加密,并验证了它的合理性,从而达到信息的保密性,成为一种更为有效的加密方法。     

β-粗积分

基于文献[1]提出的F-粗积分概念,引入迁移信度β,提出在迁移信度β条件下的β-粗积分,讨论F-粗积分与β-粗积分的关系,证明β-粗积分是F-粗积分的推广,F-粗积分是β-粗积分的特例。     

-↑F-粗积分的面积覆盖度-边界厚度特征

函数单向S-粗集对偶生成的-↑F-粗积分是一个积分对．基于-↑F-粗积分引入面积覆盖度和边界厚度概念,讨论了-↑F-粗积分面积覆盖度和边界厚度的特征与最值,并给出其动态变化规律．这两个概念把对-↑F-粗积分的讨论由定性过渡到定量．     

旋流-静态微泡浮选柱浮选某难选钼矿的试验研究

针对某地高氧化率、微细粒不均匀嵌布、易泥化的难选钼矿石,提出粗细粒级分级分选新工艺,即原矿经破磨后将其中粒度小于0．020mm的微细粒级部分利用水力旋流器分离出来,采用高效、节能的微细粒分选设备旋流一静态微泡浮选柱进行分选,解决了该钼矿中微细粒级钼金属回收问题。以煤油为捕收剂,松醇油为起泡剂,水玻璃为分散剂和脉石矿物抑制剂,考察给料量、循环泵工作压力、药剂用量等因素对浮选指标的影响。分别采用一粗二精一扫和一粗二精2种工艺流程对平均钼含量为0．181％的原矿进行连选试验。研究结果表明：采用粗细粒级分级分选、细粒浮选柱回收的工艺流程可获得精矿品位为24．64％,回收率为54．33％的钼精矿,并简化了工艺流程。     

基于广义粗集和知识共享的供应链需求预测R5模型

在知识共享前提下,提出了供应链需求预测的案例推理R5模型.此模型以粗集方法进行知识发现,建造和划分案例库,以案例推理管理和应用知识,将广义粗集的数据挖掘功能引入案例推理模式当中,用于指导供应链企业从过去的合作经验中有效学习其合作伙伴的“预测知识”,进而利用新的需求信息进行当前产品的需求预测模型选择.仿真算例表明,将变精度粗集和广义相似关系这两种粗集的泛化形式引入案例推理机制,可以提高推理效率和容错性;利用数据挖掘技术,从相关产品的环境信息及供应链成员的特征参数中发现需求预报的领域知识与深层知识,可以降低知识获取成本及模型选择的主观性.