Wyniki wyszukiwania - BazTech

1

Mechanical Spectroscopy of Bearing Steel

Lu X., Li W., Lu X., Jin M., Min N., Jin X.

Archives of Metallurgy and Materials

|

2015

|

Vol. 60, iss. 3A

2085--2091

EN

This study presents mechanical spectroscopy of bearing steel subjected to different heat treatments. A non-thermally activated maximum, P1, was found at 130°C, in quenched martensitic samples, which were austenitized at 1050°C and 860°C, and presented twin martensite microstructures. It is suggested that the mechanism of the P1 maximum, observed on the low-temperature side of Snoek-Köster peak, is related to the change of defect configurations in twinned martensite assisted with high mobility of the solute carbon atoms under an external harmonic stress field applied during mechanical loss measurements.

PL

W pracy przedstawiono wyniki badań spektroskopii mechanicznej stali łożyskowej poddanej różnej obróbce cieplnej. W hartowanych martenzytycznych próbkach, które były austenityzowane w 1050°C i 860°C, i posiadały bliźniaczą mikrostrukturę martenzytu, występuje nietermicznie aktywowane maksimum P1 przy 130°C. Sugeruje się, że mechanizm maksimum P1, które występuje na niskotemperaturowym zboczu piku Snoek-Köstera, związane jest ze zmianą konfiguracji defektów w bliźniaczym martenzycie, przy wysokiej ruchliwości atomów węgla. Maksimum P1 ujawnia się pod wpływem działania harmonicznie zmiennego zewnętrznego pola naprężeń przyłożonego do próbki w trakcie badań metodą spektroskopii mechanicznej.

2

Internal Friction of Phase Transformations Observed Around Room Temperature in Ga-In-Sn Eutectic Alloys

Jin M., Li Q., Ying R., Lu X., Jin X., Ding X.

Archives of Metallurgy and Materials

|

2015

|

Vol. 60, iss. 3A

2097--2100

EN

The phase transformation phenomena in eutectic Ga-In-Sn alloys around room temperature are studied by thermal analysis, internal friction, and in-situ XRD methods. The results show that in addition to the solidification transformation, a novel the so-called ‘pre-solidification’ phase transition, demonstrating first-order feature, is observed prior to the crystallization during cooling. The internal friction increases when the ‘pre-solidification’ effect occurs. The shear modulus increases until crystallization. An internal friction peak is attributed to the melting process observed during heating. The mechanism of the ‘pre-solidification’ transformation in Ga-In-Sn eutectic alloy is discussed.

PL

Zjawiska przemian fazowych w eutektycznych stopach Ga-In-Sn, około temperatury pokojowej, badane są metodami analizy termicznej, tarcia wewnętrznego i XRD in-situ. Wyniki pokazują, że w dodatku do przemiany krzepnięcia, nowa przemiana tzw. „wstępne krzepnięcie”, o charakterze przemiany pierwszego rzędu, obserwowana jest przed krystalizacją podczas chłodzenia. Tarcie wewnętrzne zwiększa się, gdy występuje „wstępnie krzepnięcie”. Moduł sprężystości poprzecznej zwiększa się aż do krystalizacji. Wewnętrzny pik tarcia przypisany jest do topienia obserwowanego podczas ogrzewania. Omówiono mechanizm przemiany „wstępnego krzepnięcia” w eutektycznym stopie Ga-In-Sn.

3

A support vector machine with the tabu search algorithm for freeway incident detection

Yao B., Hu P., Zhang M., Jin M.

International Journal of Applied Mathematics and Computer Science

|

2014

|

Vol. 24, no. 2

397--404

EN

Automated Incident Detection (AID) is an important part of Advanced Traffic Management and Information Systems (ATMISs). An automated incident detection system can effectively provide information on an incident, which can help initiate the required measure to reduce the influence of the incident. To accurately detect incidents in expressways, a Support Vector Machine (SVM) is used in this paper. Since the selection of optimal parameters for the SVM can improve prediction accuracy, the tabu search algorithm is employed to optimize the SVM parameters. The proposed model is evaluated with data for two freeways in China. The results show that the tabu search algorithm can effectively provide better parameter values for the SVM, and SVM models outperform Artificial Neural Networks (ANNs) in freeway incident detection.