CFRP、Ti及其混合物粉尘云最低着火温度研究北大核心CSCD

为研究碳纤维增强树脂复合材料(CFRP)、钛(Ti)和CFRP/Ti叠层压板粉尘云最低着火温度(MITC),利用Godbert-Greenwald炉对CFRP粉尘、Ti粉尘及其3种混合粉尘的MITC进行测定,分析了粉尘云质量浓度、喷粉尘压力对不同粉尘MITC的影响,以及CFRP和Ti混合情况下MITC的变化规律。结果表明:CFRP粉尘及Ti质量分数分别为25%、50%、75%的混合粉尘的MITC均处于510~525℃,Ti粉尘的MITC为470℃;在质量浓度454~4545 g/m^(3)范围内,5种粉尘的MITC均随质量浓度增加而降低,质量浓度越高,下降幅度越小;在喷粉尘压力10~80 kPa范围内,5种粉尘的MITC均先随压力增大而减小,而后随压力增大而增大,其中CFRP粉尘及3种混合粉尘的MITC在20 kPa时最小,Ti粉尘则在50 kPa时最小;CFRP/Ti混合粉尘的MITC较单种粉尘有所升高。     

郫县农村生态健康状态及其影响因素

本文以郫县的水系图、行政区划和生态环境现状为基础,将郫县农村划分为柏条河流域、沱江河流域和清水河流域3个评估单元,并采用综合指数法对各评估单元的生态环境状况进行了综合评估,结果表明:水生生态健康指数(EHI)大小依次为清水河流域(70.95分,为"良好"级)>柏条河流域(66.95分,为"良好"级)>沱江河流域(64.34分,为"良好"级);陆域生态健康指数大小依次为柏条河流域(58.47分,为"一般"级)>清水河流域(51.40分,为"一般"级)>沱江河流域(49.40分,为"较差"级);综合生态健康指数为柏条河流域(63.56分,为"良好"级)>清水河流域(63.13分,为"良好"级)>沱江河流域(58.37分,为"一般"级)。郫县水域水质达标率、水生生物状况(大型底栖动物保持率、鱼类保持率以及特有性或指示性物种保持率)、水资源开发利用强度和陆域的生态格局(重要生境保持率)等指标的得分和生态健康指数相关系数较高(r均大于0.84)。郫县农村生态问题主要表现在流域内水质连年下降、陆域生态健康状况较差和日益严重的生活污染。本研究工作对科学制定郫县农村环境综合整治规划和实施方案,保护和改善郫县农村生态环境,推动郫县农村社会、经济和环境的协调发展均具有非常重要的意义。     

不要怕得罪人

最近,一位企业领导在安全培训班与大学座谈时说:"从事安全员工作就要敢抓敢管,敢于敢硬,就不要怕得罪人,怕得罪人的安全员是做不好安全工作的".此言确有道理.     

守护生命线的道路安全“大管家”——肇庆市全面推行农村公路“路长制”工作掠影

拥有6535个路段,共计总里程为万多公里的县、乡、村农村公路的肇庆,每条路都配备一名路长,现已落实6563名“路长”,落实率100%,这是肇庆市系统防范化解道路交通安全风险的主要举措之一。     

基于改进后力学试验夹具的航天阀门试验方法

随着振动试验技术的发展和进步，对试验夹具的要求也更加严格，试验夹具的特性对试验结果和试验方法产生重要的影响。本文基于某航天阀门的试验要求，对原有的存在缺陷的试验夹具进行改进，对改进后的试验夹具进行特性分析，确定改进后力学试验夹具性能更加满足产品试验要求。本文基于改进后力学试验夹具进行航天阀门振动试验和冲击试验，采用多点平均控制的方式完成了包括扫频、正弦振动、随机振动、冲击试验在内的试验项目，试验结果满足产品要求。     

基于层次熵权-云模型城市道路塌陷风险评价研究

城市道路塌陷灾害频发，有效的塌陷风险评价对于塌陷的防治具有重要意义。道路塌陷成因具有模糊性、随机性、复杂性等特点，为尽可能保证其评价过程的客观有效，通过识别城市道路塌陷风险要素，构建城市道路塌陷的风险评价体系，使用层次-熵权-云模型进行组合评价，建立道路塌陷风险评价模型。将该模型应用于宝安区部分道路塌陷风险评价，结果表明：6条主干道基于道路塌陷风险评价模型评价结果与探地雷达(Ground Penetrating Radar, GPR)实测风险评价结果吻合度较高，具有一定的应用能力。该模型为城市道路塌陷的防治起到了积极的指导作用，为城市安全风险防控起到了一定的参考作用。     

深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能，3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。