XiaoMi-AI文件搜索系统
World File Search System成分范围
钛铝金属间化合物的熔炼和铸造技术
基于钛铝化物 (TiAl) 金属间化合物的合金重量轻，且具有优异的高温强度和抗氧化性。因此，在降低燃料消耗等需求的背景下，它们越来越多地用于商用飞机喷气发动机的低压涡轮叶片。神户制钢所一直致力于开发具有国际竞争力的 TiAl 材料制造技术，利用添加高浓度铝时氧溶解度降低的现象设计了一种熔体脱氧方法，并实现了 0.03 质量％ 或更低的氧浓度。该公司还通过构建使用冷坩埚感应熔炼 (CCIM) 方法的熔炼和铸造工艺，实现了窄成分范围（Al 含量±0.3 质量％）并提高了铸造产量（与传统方法相比 +25％ 或更高）。本文还详细介绍了回收钛废料的技术并描述了未来的前景。
利哈伊保护机构知识库
镍基高温合金一直在满足燃气轮机对高温材料的需求，以提高工作温度 (T) 并实现更高的效率 [1]。然而，要进一步突破燃气轮机在 T > 1600 C 下的运行极限，就需要发现和开发除相当昂贵的镍基高温合金之外的新型合金。最近对合金探索的兴趣促使人们偏离传统的合金化策略，探索相图中心，从而产生了一种新的合金，即多主元合金 (MPEA) [2]。与沉淀强化合金相比，MPEA 具有单相/双相固溶体（由多种组成元素的比例相当导致的相对“更高”的混合熵驱动），这些固溶体在较高温度下稳定，即使在升高的 T 下也能保持优异的机械、腐蚀和热性能 [2e18]。 MPEA 可用的成分范围非常广泛，而且人们对使用计算和机器学习技术加速合金发现的兴趣日益浓厚，这促进了具有目标特性的 MPEA 的高通量设计研究[8、9、11、12、15、17、19 e 22]。尽管如此，在实验室规模上对这些成分的预测相 / 特性的验证通常仅限于电弧熔炼 [23、24]、机械合金化、放电等离子烧结 [25] 和薄膜沉积 [26]。基于激光沉积的增材制造 (AM) 技术的进步为高通量合成 MPEA 提供了机会，它提高了可扩展性，可以将合金和组件设计结合起来，以获得应用驱动的材料特性 [27 e 36]。然而，AM 的优势有时会被制造方面的挑战所取代，包括材料中的孔隙率
用于 BCI 中 EEG 表征学习的多尺度神经网络
摘要 — 深度学习的最新进展对脑机接口 (BCI) 研究产生了方法论和实践上的影响。在各种深度网络架构中，卷积神经网络 (CNN) 非常适合时空谱脑电图 (EEG) 信号表征学习。文献中描述的大多数现有基于 CNN 的方法都通过重复的非线性操作在连续的抽象级别提取特征，并涉及密集连接的层进行分类。然而，神经生理学研究表明，EEG 信号携带不同频率成分范围的信息。为了更好地反映 EEG 中的这些多频特性，我们提出了一种新颖的深度多尺度神经网络，该网络可发现多个频率/时间范围内的特征表征并提取电极之间的关系，即空间表征，以识别主体的意图/条件。此外，通过用时空谱信息完全表示脑电信号，所提出的方法可用于主动和被动脑电接口中的多种范式，而现有的方法主要集中在单一范式脑电接口上。为了证明我们提出的方法的有效性，我们对各种范式的主动/被动脑电接口数据集进行了实验。我们的实验结果表明，与同类的最先进的方法相比，所提出的方法取得了性能上的提升。此外，我们使用不同的技术分析了所提出的方法，例如 PSD 曲线和相关性分数检查以验证多尺度脑电信号信息捕获能力、用于研究学习到的空间滤波器的激活模式图和用于可视化表示特征的 t-SNE 绘图。最后，我们还展示了我们的方法在现实问题中的应用。