车轮踏面凹形磨耗对动车组车辆运行性能的影响

基于武广线上运行的某高速动车组车轮的磨耗状态的跟踪测试,发现车轮踏面以凹形磨耗为主。对不同运行阶段实测车轮踏面磨耗状态进行分析,研究磨耗车轮与钢轨接触时的接触几何参数。根据线路上实际运行动车组性能参数,运用SIMPACK软件包完成车辆系统动力学模型,对比分析S1002CN车轮与实测踏面车辆的运行稳定性、平稳性及安全性指标,研究车轮踏面凹形磨耗对列车动力学性能的影响。研究结果表明:车轮踏面凹形磨耗将导致转向架及轮对横向加速度急剧增大,车辆稳定性、平稳性将有所降低,凹形磨耗是引起转向架横向报警的直接原因。

提速货物列车车轮凹磨限值研究

车轮凹磨作为货物列车车轮磨耗的一种主要形式,是影响货物列车提速性能的关键因素之一。为研究车轮凹磨对货物列车提速性能的影响,对阜淮线某型提速货物列车车轮磨耗进行跟踪测试。基于不同运营时期的磨耗车轮选取7种不同凹陷值下的车轮踏面廓形作为研究对象,并建立了车辆系统多体动力学模型,将不同凹陷值下的车轮踏面廓形输入车辆模型进行仿真。通过仿真计算和现场试验相结合的方法对不同凹磨状态下的轮轨接触特性和列车动力学性能进行分析。分析结果表明,随着车轮凹陷值的增长,踏面的等效锥度增大,出现凹磨的车轮踏面在名义滚动圆附近不易与钢轨形成有效的轮轨接触,导致轮轨接触点在此区域发生横向跳动,加剧了轮轨间横向冲击,导致轮对和构架的横向振动加速度增大,造成列车的稳定性和平稳性有所降低。随着车轮凹陷值的增加,车辆的临界速度会随之降低,致使货物列车提速范围受到限制。车轮踏面产生凹磨将对列车曲线运行稳定性和轮重减载率造成不利影响,但对脱轨系数影响不大。根据分析结果,建议运营速度提升至80 km/h的货物列车车轮凹陷值应控制在2.5 mm以内,以保证列车安全运营。

Utilization of Bauxite Tailing

The characteristics of bauxite tailing in China were reviewed,and the current utilization methods and the actuality were discussed.It is found that the bauxite tailing is mainly used for production of building materials and chemical products,and extraction of useful component,etc.Meanwhile,the shortages of these utilization methods were analyzed.In order to enlarge the bauxite tailing application,some new utilization paths were proposed,such as preparing zeolite 4A and corundum-mullite composite materials,which are high value added materials.The utilization ways of bauxite tailing were widened,the utilization ratio of resources and the economic benefit were improved.

过硫酸钠氧化去除土壤中总石油烃的实验研究

以北京市某石油化工污染场地为修复对象,进行了氧化钙活化过硫酸钠氧化去除土壤中的总石油烃(TPHs)实验。研究了不同药剂配比和反应pH值对TPHs去除率的影响,测定了反应14 d期间过硫酸钠的剩余量。结果表明:对于供试污染土壤,氧化钙与过硫酸钠的最适质量配比为2:1,TPHs的最高去除率为50.25%;氧化钙和过硫酸钠的过量使用都会使TPHs去除率下降;过硫酸钠可在14 d内持续降解土壤中的TPHs;氧化反应的前48 h为快速反应期,消耗了55.25%的过硫酸钠;氧化反应期间,将pH值维持在12以上有助于提升TPHs的去除率。

分层特征融合注意力网络图像超分辨率重建

目的深层卷积神经网络在单幅图像超分辨率任务中取得了巨大成功。从3个卷积层的超分辨率重建卷积神经网络(super-resolution convolutional neural network,SRCNN)到超过300层的残差注意力网络(residual channel attention network,RCAN),网络的深度和整体性能有了显著提高。然而,尽管深层网络方法提高了重建图像的质量,但因计算量大、实时性差等问题并不适合真实场景。针对该问题,本文提出轻量级的层次特征融合空间注意力网络来快速重建图像的高频细节。方法网络由浅层特征提取层、分层特征融合层、上采样层和重建层组成。浅层特征提取层使用1个卷积层提取浅层特征,并对特征通道进行扩充;分层特征融合层由局部特征融合和全局特征融合组成,整个网络包含9个残差注意力块(residual attention block,RAB),每3个构成一个残差注意力组,分别在组内和组间进行局部特征融合和全局特征融合。在每个残差注意力块内部,首先使用卷积层提取特征,再使用空间注意力模块对特征图的不同空间位置分配不同的权重,提高高频区域特征的注意力,以快速恢复高频细节信息;上采样层使用亚像素卷积对特征图进行上采样,将特征图放大到目标图像的尺寸;重建层使用1个卷积层进行重建,得到重建后的高分辨率图像。结果在Set5、Set14、BSD(Berkeley segmentation dataset)100、Urban100和Manga109测试数据集上进行测试。当放大因子为4时,峰值信噪比分别为31.98 dB、28.40 dB、27.45 dB、25.77 dB和29.37 dB。本文算法比其他同等规模的网络在测试结果上有明显提升。结论本文提出的多层特征融合注意力网络,通过结合空间注意力模块和分层特征融合结构的优势,可以快速恢复图像的高频细节并且具有较小的计算复杂度。