轧制道次间插入冷却对特厚钢板组织与性能的影响

使用实验轧机旁冷却装置配合轧机进行轧制实验，研究轧制道次间不同冷却工艺对特厚钢板组织和性能的影响规律.研究结果表明:采用道次间冷却工艺可以在全厚度方向获得组织细化及强韧性提高效果，采用强冷道次间冷却实验钢1/4处晶粒尺寸可细化至10μm，强度为376MPa，-40℃冲击功为169J;心部晶粒尺寸可细化至15μm，强度为360MPa，-40℃冲击功为123J.本工艺可形成470μm厚表层细晶层，晶粒尺寸可细化至5μm;粗轧道次间插入冷却工艺轧制钢板强度和冲击韧性优于中间坯冷却工艺;随冷却强度增加，钢板内部组织明显细化且强度大幅提高.     

非均匀介质下的可调光流控器件及其生化应用

 探讨了非均匀介质下不同光流控器件及其生化应用。在微流控芯片上，主要从2个方面开发和实现各类具有光波导、透镜、细胞计数、化学检测等功能的新器件。首先，在液液非均匀介质下，通过调节沟道内液体流速，控制液体间的对流扩散来实现液体在微腔内的渐变折射率分布和阶跃分布，从而得到其特殊的光学特性，例如光束分离、弯曲、自聚焦等。其次，在固体非均匀介质下，利用特殊的微流结构与液体相结合，实现更加灵敏可调的新型探测手段。这些新型技术手段分别在生物传感、能源生产、细胞探测及海水检测等诸多应用中可发挥关键性作用。     

一种自适应步长的复合梯度加速优化算法

自适应步长加速(Adam)类算法由于其计算效率高、兼容性好的特点，成为近期相关领域的研究热点.针对Adam收敛速度慢的问题，本文基于当前梯度、预测梯度以及历史动量梯度，提出一种新型Adam类一阶优化算法——复合梯度下降法(C-Adam)，并对其收敛性进行了理论证明.与其他加速算法的区别之处在于，C-Adam将预测梯度与历史动量区别开，通过一次真实的梯度更新找到下一次迭代更精准的搜索方向.利用两组常用测试数据集及45钢静拉伸破坏实验的实验数据对所提算法进行验证，实验结果表明C-Adam与其他流行算法相比较具有更快的收敛速度及更小的训练损失.     

NIPA类共聚温敏水凝胶中水的状态和耐热性

用N-异丙基丙烯酰胺（NIPA）与丙烯酸钠（SA）及甲基丙烯酸钠（SMA）共聚合成了两个系列的水凝胶，研究了共聚组成与水凝胶基本性质的关系，并用示差扫描量热法（DSC）和热失重法（TG）研究了此类水凝胶中水的状态和耐热性。     

共轭斜量法在某些特征向量上收敛速度的估计

设 Ａ是对称正定矩阵，λ_1是 Ａ 的最大或最小特征值，χ_1是对应的特征向量．｛zk｝是用共轭斜量法求解方程组 Αχ＝ｂ时的近似解序列，ｅi＝Ａ～(_1)b-zi,本文给出了|x_1～Tei|较合理的上界估计式。从而为分析预处理共轭斜量法提供了进一步的理论基础。     

丙交酯(L-LA)与PEG600多嵌段共聚物的合成与表征

以氧化锌为催化剂,使丙交酯开环与PEG600共聚,得到三嵌段的HO-PLLA-PEG-PLLA-OH预聚物,产物的数均相对分子量为2127。以TDI-80为扩链剂对其进行扩链,得到多嵌段共聚物。采用NMR、IR、GPC等对产物的结构、分子量分布进行了表征。     

西裤后裆缝斜度定量分析

本文结合人体体型,从适身型角度,利用数学方法分析探求后裆缝斜度的确定问题。     

EVA接枝共聚物的制备、分析和应用

为解决大庆管输原油含蜡量高、高黏易凝、对包括 EVA在内的多种原油流动改进剂的化学感受性较差的问题 ,进行了 EVA- 1接枝聚合物的研制 ,包括十二烷基马来仲酰胺的制备及其作为接枝组分与 EVA- 1的合成 .利用红外光谱仪对十二胺、马来酸酐及其反应产物进行分析的结果表明 :十二胺与马来酸酐反应生成了十二烷基马来仲酰胺 .利用核磁共振波谱仪对 EVA- 1及其接枝产物进行分析的结果表明 :EVA- 1与十二烷基马来仲酰胺的接枝反应确实存在 ,接枝率可以达到 1 8.8% .对 EVA- 1及其接枝产物对大庆原油的降凝、降黏效果进行对比的结果表明 ,EVA- 1接枝产物对大庆原油的处理效果好于 EVA- 1 ,从而为新型高效降凝剂的研制提供了新的思路     

基于自适应共轭梯度算法的高分辨率谱估计器

基于AR模型的功率谱估计是现代谱估计应用非常广泛的一种方法。通过对一全极点模型的参数估计来实现功率谱估计。提出了一种采用自适应共轭梯度算法来进行参数估计的方法。由于共轭梯度算法采用迭代运算求解Yule-Walker方程,同现有的谱估计算法相比,大大减小了谱估计算法的计算复杂度;随着自相关矩阵阶数的增大,该方法谱估计精度在小信噪比下提高显著。仿真结果表明,这种方法和基于AR模型的其它谱估计方法在不同信噪比下具有几乎相同的分辨率。因此,该谱估计算法具有重要的实用意义,有助于谱估计算法的实时实现。     

具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.