【摘 要】
：
使用由双酚AF和4,4-二氟二苯甲酮缩聚而得的含氟聚芳醚酮(FPAEK)为树脂基体,以疏水气相SiO2和碳纳米管(CNT)为无机掺杂纳米粒子,采用一步喷涂法在铝板表面制备了一种SiO2-CNT/FPAEK超疏水涂层.研究发现,当SiO2和CNT掺杂量都为1wt％时,所得涂层的超疏水性能最好,其水接触角WCA可达到167°,滚动角SA为3°.该涂层的玻璃转化温度和初始分解温度分别达到170℃和480℃,热稳定性优异.将该涂层分别在pH=1的HCl溶液、pH=13的NaOH溶液和质量分数为3.5wt％的NaC
【机 构】
：
福州大学 材料科学与工程学院,福州 350116;中国电建集团铁路建设有限公司,北京 100044
论文部分内容阅读
使用由双酚AF和4,4-二氟二苯甲酮缩聚而得的含氟聚芳醚酮(FPAEK)为树脂基体,以疏水气相SiO2和碳纳米管(CNT)为无机掺杂纳米粒子,采用一步喷涂法在铝板表面制备了一种SiO2-CNT/FPAEK超疏水涂层.研究发现,当SiO2和CNT掺杂量都为1wt％时,所得涂层的超疏水性能最好,其水接触角WCA可达到167°,滚动角SA为3°.该涂层的玻璃转化温度和初始分解温度分别达到170℃和480℃,热稳定性优异.将该涂层分别在pH=1的HCl溶液、pH=13的NaOH溶液和质量分数为3.5wt％的NaCl溶液中浸泡13天,WCA都维持在150°以上,说明具有较好的化学稳定性.经过80个摩擦循环测试后,该涂层的WCA还维持在151°,说明具有较好的机械稳定性.电化学测试表明,该涂层可以将马口铁的腐蚀电压Ecorr从?0.538 V提高到?0.112 V,而腐蚀电流Jcorr从2.105×10?5 A下降到1.94×10?7 A,说明具有优异的防腐蚀性能.此外,将基底换成常见的铁板、水泥板、玻璃板和聚乙烯塑料板,同样获得了超疏水涂层.涂层表面的污染物可以被自由滚落的水珠轻易带走,表明涂层具有良好的自清洁性能.可见,所得SiO2-CNT/FPAEK超疏水涂层具有广阔的应用前景.
其他文献
通过对《模具商务》课程改革,培养了掌握模具设计、模具制造以及国际贸易基本知识与技能,并具备良好的模具专业英语和商务口语交流能力的复合型模具商务专业人才.课改实施后学生的就业情况表明:受益学生当年就业率100％,三年就业回访离职率极低,人均月工资相对较高,年涨幅率也较高,整体薪酬高于专业技能班学生;模具商务人才市场需求旺盛,用人单位需求连续多年呈增长趋势.
在认知学习过程中,学习者可能学习并掌握某些技能,但知识状态却无法发生改变.在此情形下,根据学习者知识状态的改变不足以对其技能进行准确评估,因此,文中基于技能函数,运用形式概念分析的方法寻找学习路径并进行技能评估.首先,介绍后继状态、有效技能和良好技能函数的概念.然后,基于形式背景,在两种情形下讨论技能函数满足良好性的条件,得到满足良好性条件下可进行逐步有效学习和有效评估的结果,并设计获取良好技能背景、良好技能函数及寻找学习路径的算法.最后,在两个数据集上进行实验分析,验证文中算法的有效性,并且得出如下结论
异质信息网络表示学习在节点分类、链接预测、个性化推荐等多个领域上被广泛应用.现有的异质信息网络表示学习方法大多集中在静态网络,忽略网络中时间属性对节点表示的影响.为了解决该问题,文中提出基于元路径和层次注意力的时序异质信息网络表示学习方法.利用元路径捕获异质信息网络中的结构和语义信息.通过时间衰减注意力层,捕获不同元路径实例在特定时间对目标节点的影响.通过元路径级别注意力,融合不同元路径下的节点表示,得到最终表示.在DBLP、IMDB数据集上的实验表明,文中方法在节点分类和节点聚类任务上均可达到较优效果.
深度学习尤其卷积神经网络为精确目标检测提供可能,推动三维目标检测在自动驾驶、机器人等领域发挥重要作用.文中综述基于卷积神经网络的三维目标检测研究进展.首先总结三维目标检测的应用价值、基本流程及存在的挑战.再介绍卷积神经网络基本原理、典型的二维目标检测网络结构、常用的开源数据集及点云表示形式等相关基础知识.然后介绍卷积神经网络在三维目标检测中的应用进展,根据不同数据模态及方法共性对方法进行梳理.最后对当前三维目标检测研究存在的问题进行论述,对未来的研究发展趋势进行展望.
已有的图核大多关注图的局部属性,利用局部的拓扑特征构建图的相似性度量,忽略图的层次结构信息.为了解决这个问题,文中提出基于最优传输的层次化图核.首先,将每个图表示成层次化的图结构.在层次化图结构构建过程中,利用K-means聚类算法构造每层图的节点,节点间的概率连接作为图的边.然后,利用带有熵约束的最优传输计算两图的层次结构上每层图之间的最优传输距离.最后,基于最优传输距离计算基于最优传输的层次化图核.在6个真实图数据集上的实验表明,文中方法可提升分类性能.
现有的在线流特征选择算法通常选择一个最优的全局特征子集,并假设该子集适用于样本空间的所有区域.但是,样本空间的每个区域都使用独有的特征子集进行准确描述,这些特征子集的特征和大小可能有所不同.因此,文中提出基于最大决策边界的局部在线流特征选择算法.引入局部特征选择,在充分利用局部信息的基础上,设计基于最大决策边界的特征衡量标准,尽可能分开同类样本和不同类样本.同时,使用最大化平均决策边界、最大化决策边界和最小化冗余3种策略选择合适的特征.针对局部区域选择最优的特征子集,然后使用类相似度测量方法进行分类.在1
作为粒计算研究方向的核心概念和关键技术,多粒度计算强调对现实世界问题多视角、多层次的理解和描述,可获得合理、满意的求解结果.为了深化多粒度计算与决策分析的有效融合,更好地满足人们的实际决策需求,文中首先介绍多粒度粗糙集、多尺度数据分析、序贯三支决策、分层分类学习四类多粒度计算模型,并阐述各自的主要特点及发展过程.进而从属性约简、规则提取、粒度选择、信息融合、群决策、多属性群决策、分类决策、动态决策等方面总结基于多粒度计算模型的决策分析方法研究现状.最后,对大数据时代智能决策领域中若干具有挑战性的研究方向进
在持续学习多任务过程中,持续零样本学习旨在积累已见类知识,并用于识别未见类样本.然而,在连续学习过程中容易产生灾难性遗忘,因此,文中提出基于潜层向量对齐的持续零样本学习算法.基于交叉分布对齐变分自编码器网络框架,将当前任务与已学任务的视觉潜层向量对齐,增大不同任务潜层空间的相似性.同时,结合选择性再训练方法,提高当前任务模型对已学任务判别能力.针对不同任务,采用已见类视觉-隐向量和未见类语义-隐向量训练独立的分类器,实现零样本图像分类.在4个标准数据集上的实验表明文中算法能有效实现持续零样本识别任务,缓解
目前存储和计算成本严重阻碍深度神经网络应用和推广,而神经网络量化是一种有效的压缩方法.神经网络低比特量化存在的显著困难是量化比特数越低,网络分类精度也越低.为了解决这一问题,文中提出基于指数移动平均知识蒸馏的神经网络低比特量化方法.首先利用少量图像进行自适应初始化,训练激活和权重的量化步长,加快量化网络收敛.再引入指数移动平均(EMA)知识蒸馏的思想,利用EMA对蒸馏损失和任务损失进行归一化,指导量化网络训练.在ImageNet、CIFAR-10数据集上的分类任务表明,文中方法可获得接近或超过全精度网络的
在分布式存储系统中,当节点发生故障时局部修复码(LRC)可以通过访问少量其他节点来恢复数据,然而LRC的局部度不尽相同,该文构造了短码长且局部度较小的四元LRC.当码长不超过20,最小距离大于2时,若四元距离最优线性码的生成阵维数不超过校验阵维数,可利用其生成阵给出LRC,否则利用其校验阵给出LRC.对已构造的LRC的生成阵或校验阵,利用删除、并置等方法得到新矩阵,从而构造出190个码长n·20,最小距离d?2的LRC.除12个LRC外,其他LRC是局部度最优的.