排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
采用电化学方法分别研究了AZ31镁合金轧制板、AZ80镁合金轧制板、ZE42镁合金热挤压板、LZ91镁合金轧制板和LA101镁合金热挤压棒等5种不同的镁合金在质量浓度为5.0%氯化钠水溶液中的腐蚀行为。采用失重法测量每一种合金的腐蚀速率,并且采用扫描电镜(SEM)观察了腐蚀产物的形貌,利用X射线衍射仪(XRD)分析了每种镁合金的相组成。结果表明:电势分布较为均匀的镁合金可减小镁合金的微电偶腐蚀趋势,5种镁合金板(棒)材在NaCl水溶液中的腐蚀速率由低到高的顺序是:AZ80AZ31LA101LZ91ZE42。经36 h浸泡腐蚀后,在NaCl水溶液中镁合金表面主要被腐蚀产物Mg(OH)_2所覆盖,且随着浸泡时间延长,所有镁合金均呈现出明显的点蚀特征,阳极溶解和局部腐蚀程度加重,发生析氢反应,最后变为均匀腐蚀。 相似文献
2.
针对航空不安全事件领域命名实体识别任务,以航空安全信息周报为数据源,分析并构建航空不安全事件命名实体识别数据集和领域词典。为解决传统命名实体识别模型对于捕获领域实体边界性能较差的问题,基于BERT(bidirectional encoder representations from transformers)预训练语言模型提出融合领域词典嵌入的领域语义信息增强的方法。在自建数据集上进行多次对比实验,结果表明:所提出的方法可以进一步提升实体边界的识别率,相较于传统的双向长短期记忆网络-条件随机场(bi-directional long short term memory-conditional random field, BiLSTM-CRF)命名实体识别模型,性能提升约5%。 相似文献
3.
预测性维护的核心技术之一是设备剩余寿命(remaining useful life, RUL)预测。为了提高航空发动机的剩余寿命预测精度,提出了一种基于注意力与长短期记忆(directional long short-term memory, LSTM)网络的航空发动机剩余寿命预测模型Attention-LSTM,通过引入注意力机制增强各时间点数据的特征权重,有效提升了模型预测精度。使用NASA C-MAPSS涡扇发动机仿真数据集进行实验,与未加注意力机制的长短期记忆网络等多种模型进行对比实验。实验结果表明,提到的Attention-LSTM模型的均方根误差相比较于未引入注意力机制的长短期记忆网络降低了17.8%,拟合度提升了3.2%,各项评估指标均也优于其他对比模型。 相似文献
1