超高分子量聚乙烯（UHMWPE）及其复合材料的土壤粘附

利用正交试验设计理论，研究了试验因素（如土壤水分、载荷作用时间）及其交互作用对土壤在超高分子量乙烯（ＵＨＭＷＰＥ）及其基复合材料及４５钢，表面粘附力的影响，得到了粘附力与试验影响因素的回归方程。研究结果表明：在所考察的试验因素中，含水量对粘附力的影响最大，其次为土壤载荷和载荷作用时间。各影响因素对土壤在不同材料表面粘附的影响程度不同。研究结果同时表明：各因素间的交互作用对不同材料的土壤粘附力影响不     

超高分子量聚乙稀(UHMWPE)及其复合材料的土壤粘附

利用正交试验设计理论,研究了试验因素（如土壤水分、载荷、载荷作用时间）及其交互作用对土壤在超高分子量乙烯（ＵＨＭＷＰＥ）及其基复合材料及４５钢,表面粘附力的影响,得到了粘附力与试验影响因素间的回归方程。研究结果表明：在所考察的试验因素中,含水量对粘附力的影响最大,其次为土壤载荷和载荷作用时间。各影响因素对土壤在不同材料表面粘附的影响程度不同。研究结果同时表明：各因素间的交互作用对不同材料的土壤粘附力影响不同,反映了固体表面的热力学状况对土壤粘附力的影响。     

PTFE基复合材料的土壤粘附与磨料磨损的研究

研究了Al₂O₃颗粒填充PTFE和PTFE+50％(wt)PPS基复合材料表面上水的润湿及土壤粘附和磨料磨损特性。加入适当含量和一定尺寸的Al₂O₃粒子可提高水的前进接触角θ_a并使减粘性能保持在较高水平。PTFE(+PPS)—Al₂O₃复合材料表面在憎水性和非光滑性方面与某些土壤动物体表有相似特性。适量Al₂O₃粒子的弥散可明显提高复合材料的耐磨料磨损性能,且PPS可进一步改进复合材料的耐磨性。     

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断

【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。     

生物质燃油摩擦磨损特性试验分析

采用四球摩擦磨损试验等方法,研究了热解液化方法制备的生物质燃油的摩擦学特性.借助SEM,XPS,GC-MS,TGA等分析测试技术考察了摩擦磨损实验后的摩擦副磨痕表面形貌,磨痕表面元素的化学结合状态,摩擦磨损实验前后生物质燃油的主要化学成分的变化及其热化学物理特性.结果表明:生物质燃油的最大无卡咬负荷(PB值)为392 N,在196N和294N压力,生物质燃油的平均摩擦系数为0.083和0.097,磨痕表面呈带状犁沟:磨痕表面出现了含-OH、-COOH基闭的有机物和FeS、FeSO4的能谱吸收峰;摩擦磨损实验后生物质燃油的醛酸类物质含量明显变化.生物质燃油的摩擦磨损机理归因于在摩擦表面形成了含FeS、FeSO4等的化学反应膜以及含有-OH、-COOH等极性基团的有机物的吸附油膜的存在,使钢球摩擦副之间保持了良好的边界润滑.     

应用集成BP神经网络进行田间土壤空间变异研究

以英国北爱尔兰Hayes的一块牧草地为研究区，将所有样点分为独立的训练和检验数据集，并在训练样点集的基础上设计了其他4种样点布局方案，以研究神经网络集成技术应用于田间土壤性质空间变异性的可能性。与广泛应用的克里格法的试验结果相比，集成BP神经网络的插值结果精度与之基本相当，尤其是在样点分布较稀疏和样点数较少的情况下，集成BP网络表现出明显的优势；由于神经网络集成方法对样本数据的分布没有任何要求，因此具有较广泛的应用前景和潜力，并在不符合克里格法对样本数据分布要求的情况下是一种可行的替代方法。     

基于小波分析和BP神经网络的触电信号检测模型

针对从农村低压电网总泄漏电流中检测和判断触电电流信号的难题,该文提出一种基于小波变换和BP神经网络的触电信号检测方法。首先用触电物理实验平台对动物触电信号进行实测,选择合适的小波基和分解尺度对触电实验中总泄漏电流及触电电流进行小波多分辨分析,实现原始信号的预处理;再将预处理后的波形作为样本进行神经网络学习和训练,建立从总泄漏电流波形中提取触电电流波形的神经网络耦合模型,并用此模型对未训练的样本进行触电信号的检测,检测值与实际值的平均相对误差为3.93%,说明该方法能够从总泄漏电流中检测出触电电流信号,对于     

牛鲨牙齿微观结构组成和摩擦磨损特性

为研究牛鲨咬合力大的原因,并以牛鲨牙齿为原型设计仿生刀具,以牛鲨上颌齿和下颌齿为研究对象,利用扫描电子显微镜观察牛鲨牙齿的微观结构,利用能谱仪测试牙齿的元素组成。采用微观摩擦磨损试验机进行摩擦磨损试验,考察了牛鲨上颌齿、下颌齿的摩擦学性能,通过激光共聚焦扫描显微镜测量磨损深度,利用扫描电子显微镜观察牛鲨牙齿的磨损形貌。试验表明:釉质层由条状纤维束形成致密的结构,本质层为多孔结构,孔径范围在3~20μm,这些孔洞呈不规则的排布;能谱仪测试结果中,牛鲨牙釉质比牙本质中Ca、F含量高,氟和钙的组合效应可以帮助其在生存环境下有更好的耐酸性和硬度。牛鲨上下颌齿牙釉质磨斑表面有片状磨屑剥落,且有大量的细小磨粒,上颌齿磨损体积约为1.72×10~7μm~3,主要是磨粒磨损;下颌齿出现明显裂纹,磨损体积约为2.11×10~7μm~3,比上颌齿的磨损体积大。上述结果为新型刀具的仿生设计提供理论依据。     

区域土壤水盐空间分布信息的BP神经网络模型研究

针对黄河下游三角洲盐渍区土壤水盐动态的复杂性和空间的变异性,将人工神经网络引入土壤水盐信息的模拟和预测中,探讨了3层网络结构下隐含层神经元数对网络训练和预测的影响,建立了0～20cm表土层水盐含量及其空间分布的BP神经网络模型。结果表明:研究区域表土层水盐与土壤容重和地下水性质间均具极显著的关联性,表土层盐分BP网络的输入因子以经、纬度坐标、土壤容重、地下水埋深和矿化度5个变量为宜,含水量则为经、纬度坐标、土壤容重和地下水埋深4个变量;隐含层神经元数过多会导致"过拟合",当表层土壤盐分和含水量BP网络的拓扑结构分别为5:8:1和4:6:1时,其预测精度最高;表土层水盐BP神经网络模拟值与观测值得到的分布图表现出相似的空间格局,BP神经网络模型有效地模拟了表土层水盐含量及其空间分布特征。该研究为黄河三角洲地区土壤盐渍化的发生、发展及演变规律分析提供理论基础,并为盐渍土地的水盐调控与科学管理提供决策依据。     

基于BP神经网络自动提取沟谷研究

 提出将提取沟谷的过程转化为根据地形因子综合判定地貌类型的思路。以陕西绥德黄土丘陵沟壑区域1∶1万地形图制作的分辨率为5 m的DEM为研究对象,运用BP神经网络分析6种地形因子与沟谷地形的相互关联关系,认为降水累积量是判定沟谷地形的最重要因子。在试验样区建立BP神经网络,利用4种地形因子自动提取沟谷,并在检验样区通过了检验。     

基于BP神经网络插值的土壤全氮空间变异

大尺度土壤养分空间变异研究可以为土壤改良分区治理提供基础数据。寻求合适的取样数和插值方法是进行土壤养分空间变异研究的关键。以安徽省舒城县为例,共取得0～20cm土壤表层样品523个,土壤全氮的空间变异由BP神经网络插值方法在不同取样数条件下获得,通过与克里格插值法进行比较得出:样本数在100个时,神经网络插值的预测吻合度(G)比克里格插值高7.75%,均方根误差(RMSE)低0.1,总体精度优于克里格;样本数大于200时,神经网络插值和克里格插值精度基本相同,随着采样数量增加,两种方法的插值精度也在提高,并逐步趋于平稳。在大尺度土壤养分空间变异研究中,在小样本情况下,神经网络插值具有优势。     

采用BP神经网络和Burgers模型的细观参数标定

PFC软件作为一款成熟的离散元分析软件,由于在处理连续与非连续介质方面的出色表现,得到了广泛的应用。但是PFC软件所需要的细观参数均需要采用室内试验数据通过试错法反复调试才能获得,效率低、盲目性高,严重影响后续试验数据,因此急需一种新的细观参数校准方法。本文以玉米秸秆颗粒的单轴蠕变试验为基础,结合离散元软件PFC 2D,通过正交试验多因素方差分析方法分析了Burgers模型宏细观参数之间的影响关系,从而证明宏细观参数之间存在着复杂关系,不宜采用通过回归分析获得宏细观参数之间的关系式的方式标定细观参数,适合利用BP神经网络进行参数标定,利用创建的BP神经网络对细观参数进行标定,根据测试组的标定结果分析得出Burgers模型各细观参数的标定精度均在92%以上,且误差较为稳定,而且训练好的神经网络相关系数R>0.96,从而证明BP神经网络的细观参数标定性能较为可靠。将玉米秸秆单轴蠕变试验的宏观参数带入训练好的BP神经网络中进行细观参数标定,比对模拟蠕变试验与物理蠕变试验发现,两者的蠕变曲线基本一致,应变量的最大误差为2%,证明了BP神经网络具有良好的参数标定能力,可为PFC参数标定提供一定的参考价值。     

基于计算机视觉和神经网络检测鸡蛋裂纹的研究

为了提高鸡蛋裂纹检测的准确性和效率，综合运用计算机视觉技术和BP神经网络技术，实现对鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入，建立结构为5-10-2的BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9%，对整批鸡蛋的分级准确率达到了96.8%。