XiaoMi-AI文件搜索系统
World File Search Systemmoisture
检测印刷电路板吸湿情况的技术
摘要 — 大多数电路板都在可能暴露于蒸汽或液体湿气的环境中工作。由于低成本电路板很容易吸收水分，这会导致性能问题、可靠性问题，甚至灾难性故障。然而，在电路板完全失效之前很难检测出是否发生了吸湿。为了缓解这个问题，在印刷电路板 (PCB) 技术中实现了一种边缘场电容器，并通过随之而来的电容增加来检测电路板中的吸湿情况。制造了原型传感器并浸泡了 42 天，结果显示电容增加了 14% 到 29%。这种传感器技术可以轻松添加到电路板设计中，因为它们使用了商用 PCB 构造中使用的标准材料和制造工艺。
使用 TWI 和卫星图像进行土壤水分建模...
摘要................................................................................................................................................................ i
使用 Protimeter 湿度计检查室内湿度...
简介 检查建筑结构内的潮湿和湿气是一个非常全面的主题。本白皮书重点介绍了对湿气的基本了解、寻找潮湿的一些技术以及如何使用数字湿度计诊断湿度水平。1.什么是潮湿？潮湿是由水进入房产（结构）和房产内积聚的湿气导致冷凝（生活方式）造成的。a.湿气进入房产（结构） 当水渗入建筑物结构时就会发生潮湿。常见原因有： • 雨水从缺少瓷砖或石板的屋顶渗出，从堵塞的排水沟溢出或渗透到窗框周围。• 由于防潮层缺陷或没有防潮层而导致的上升湿气。• 管道漏水、排水或溢流。您经常可以在墙壁和天花板上看到潮湿的“潮汐痕迹”。b. 冷凝（生活方式） 生活方式潮湿问题是由正常的日常活动（洗澡、洗衣服和烘干衣服、做饭和烧水）引起的，所有这些都会产生含有大量水蒸气的暖空气。如果暖空气无法通过打开的窗户或通风口逸出，它会四处移动，直到找到一个冷表面，然后冷却并形成冷凝水。冷凝发生在任何记录低于露点温度（饱和空气释放多余水蒸气的温度）的冷表面上。做饭时可以在浴室的镜子或厨房的窗户上看到这种情况。
水分对热塑性聚酰亚胺复合材料的材料性能和行为的影响
材料已得到广泛研究 [1-9]。在许多此类研究中，已报告了机械性能的显著变化和各种形式的水分引起的损坏 [4-8]。例如，吸收的水分已被证明会降低树脂的玻璃化转变温度 T~ [4,5]，降低复合材料的基质主导性能，如横向拉伸强度和层内剪切强度 [4-6]，并导致树脂膨胀，从而引起残余应力并导致微裂纹的形成 [5, 7-10]。吸收水分的这些有害影响被归因于树脂基质的塑化和降解以及纤维基质界面的降解 [5-10]。迄今为止，大多数水分研究都涉及热固性基质复合材料（例如石墨/环氧树脂），这些复合材料在 95% 至 100% 相对湿度环境中会吸收高达 1.2% 至 2% 的重量水分（纤维体积分数 v r 在 60% 至 68% 之间）[1,2,5-7]。最近，已经开发出热塑性（半结晶和非晶态）基质复合材料，与热固性基质复合材料相比，它们吸收的水分非常少 [3,4]。这种系统的一个例子是热塑性基质复合材料，由非晶态聚酰亚胺基质 Avimid | K3B 组成，并用 Magnamite | IM7 石墨增强
界面对环氧树脂-SiO2 复合材料中有效水分扩散的影响
环氧树脂模塑料 (EMC) 用于保护集成电路 (IC) 免受环境影响，其中之一就是水分侵入，从而导致腐蚀。为了获得所需的热性能和机械性能，EMC 需要大量 (二氧化硅) 填料，从而引入大量界面。虽然硅烷偶联剂可以促进良好的粘合，但它们已证明会引入界面体积，从而在玻璃纤维填充的环氧树脂中表现出环氧树脂和 SiO 2 之间更快的水分传输。在这项工作中，我们研究了 EMC 中的填料颗粒是否也引入了这种界面体积，以及它是否会影响复合材料的水分扩散系数。我们将动态蒸汽吸附 (DVS) 进行的水分吸收测量与有效介质理论的预测进行比较，以及基于我们的样品的微 CT 扫描的数值模拟，用于包含不同填料水平的模型环氧树脂系统和具有两种不同填料水平的商业 EMC 样品。从测量的 DVS 数据中，我们观察到有效扩散系数高于 EMC 和模型系统不存在任何界面时的预测值。这表明应该存在一个界面层。
根据...预测土壤有机质和土壤水分含量
适当的土壤管理可以维持和改善整个生态系统的健康。适当的土壤管理需要对其特性进行适当的表征，包括土壤有机质 (SOM) 和土壤水分含量 (SMC)。与传统方法相比，基于图像的土壤表征显示出强大的潜力。本研究比较了 22 种不同的监督回归和机器学习算法的性能，包括支持向量机 (SVM)、高斯过程回归 (GPR) 模型、树集合和人工神经网络 (ANN)，在实验室环境下用数码相机拍摄的土壤图像中预测 SOM 和 SMC。共提取了 22 个图像参数，并分两步用作模型中的预测变量。首先使用所有 22 个提取的特征开发模型，然后使用 SOM 和 SMC 的六个最佳特征子集。饱和度指数（红色指数）是 SOM 预测的最重要变量，对比度（中位数 S）是 SMC 预测的最重要变量。颜色和纹理参数与 SOM 和 SMC 都表现出高度相关性。结果显示，对于使用六个预测变量的验证数据集，图像参数与实验室测量的 SOM（使用立体派的 R 2 和均方根误差 (RMSE) 分别为 0.74 和 9.80%）和 SMC（使用随机森林的 R 2 和 RMSE 分别为 0.86 和 8.79%）之间存在令人满意的一致性。总体而言，GPR 模型和树模型（立体派、RF 和增强树）最能捕捉和解释本研究中 SOM、SMC 和图像参数之间的非线性关系。