应急准备和响应是企业经营的基本保障(四)

四、掌握科学合理的应急准备和响应方法　（5）爆炸的风险管理　爆炸通常是指物体在瞬间分解或燃烧时释放出大量热和气,并以巨大的压力向四周扩散,或气体压力超过其盛装容器所能承受的极限压力而发生的爆炸现象.一般可将爆炸分为物理性爆炸、化学性爆炸和核爆炸三种,对于企业而言可以采取应急准备和响应的只有前两种,所以我们只对前两种加以讨论.     

大型车车身覆盖件冲压成形特征分析及选材研究

为满足大型车身覆盖件冲压成形要求并实现钢板与零件的对路供应 ,必须在深入解析零件成形特征的基础上 ,确定高应变部位的成形敏感材料参数。在材料力学性能测试和成形极限分析的基础上 ,对侧围外板的冲压成形特征和成形敏感参数进行了分析。结果表明 :侧围外板零件高应变部位的变形方式为胀形 深拉延变形 ,n值和r值为影响侧围外板零件成形的主要材料敏感参数     

不锈钢薄板拉伸、冲压成形性能的试验研究

采用德国产SCHENCKTREBELRM2 5 0电子万能试验机对SUS3 0 4不锈钢 0 .5mm薄板进行了拉伸试验 ,研究了SUS3 0 4不锈钢薄板的硬化指数 (n值 )、屈服强度 (σs)、极限强度 (σb)、均匀延伸率(δ)等机械性能 ,并分析了SUS3 0 4薄板的冲压成形性能     

开式冷挤压成形深小锥孔件时极限变形程度的理论研究

给出了深小锥孔件开式冷挤压成形时极限变形程度的定义,建立了变形区非稳态连续速度场;利用上限原理得到了极限变形程度的理论判据。分析了各主要参数对极限变形程度的影响规律,对指导制定深小锥孔件开式冷挤压成形工艺具有重要意义。     

一种预测左半部成形极限图的简单方法

板材成形性能的评价一般基于成形极限图(FLD)。然而，无论是经由理论计算还是实验方法来获得成形极限图依然很困难而且很耗时。提出了一种预测深拉延部分成形极限图的新方法。假设对所有钢板来说其成形极限图的形状几乎都是一样的，而深拉延变形区域内其失效厚度应变也几乎一样，据此可利用体积不变原理推导出主应变和次应变之间的关系。结果表明，根据此方法计算的左半侧(拉深应变区)成形极限图与实验获得的FLD基本一致。     

对Janbu普遍条分法计算方法的改进

Janbu普遍条分法(或称严格Janbu法)是第一个基于任意形状滑面且考虑滑体所有平衡条件的边坡稳定性计算方法。该方法存在的严重不收敛问题一直困扰着边坡理论和工程界近半个世纪。本文基于Janbu普遍条分法的基本原理和假设,重新推导出数学上更为简洁的安全系数积分表达式,指出传统计算格式不易收敛性是推力二阶导数的不合理数值误差所致,应用数值平滑技术可减少这个误差,使计算过程稳定收敛。研究表明,改进后的Janbu普遍条分法不失为理论相对严格、工程较为实用的边坡稳定性计算方法。     

三起振动失效带来的启示

通常，压力容器设计、制造和使用单位，对容器上的主要受压元件，如果其载荷类型能界定，载荷的特性参数及结构尺寸能确定，有经典的计算公式，一般均能严格按照有关法规、标准进行强度、刚度计算或校核。并提出相应制造、检验与使用要求；但往往漏掉了一些潜在（或无法界定、缺乏相应物理参数）载荷的计算，尤其忽视了在特定的使用条件下，对一些非主要受压元件或非受压元件的设计、制造、检验与使用，有针对性地提出要求。     

建筑内部防火分区的划分

消防监督部门在进行消防安全检查、工程防火审核、火灾隐患的整改及工程设计部门在进行工程消防设计时，必然会涉及防火分区这个概念。在现实工作中，我们经常遇到建筑内部在防火分区方面存在的诸多问题。有的建筑工程防火分区划分不够科学合理，防火分区严重超面积；有的防火分隔不彻底，防火墙有缝隙或防火分隔物耐火极限不够；有的采用金属防火卷帘却没有设置喷水保护或虽有水保护但消防用水量严重不足或水保护时间不够；有的空气调节系统没有采取任何防火分隔措施等等。建筑工程防火分区设计如何，对于确保工程质量、确保建筑物的消防安全关系极     

略阳电厂后部山体边坡的稳定性评价与初步治理设计

在对略阳电厂后部山体地质条件分析的基础上,采用定性分析与定量数值计算相结合的方法评价了电厂后部山体在开挖前后的稳定性问题,并对开挖后的坡体提出了相应的工程治理措施.     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。