微光像增强器塑料外壳受力分析

唐钦, 杨壮, 宋海涛, 叶洪伟, 张新月

唐钦, 杨壮, 宋海涛, 叶洪伟, 张新月. 微光像增强器塑料外壳受力分析[J]. 红外技术, 2021, 43(5): 483-489.
引用本文: 唐钦, 杨壮, 宋海涛, 叶洪伟, 张新月. 微光像增强器塑料外壳受力分析[J]. 红外技术, 2021, 43(5): 483-489.
TANG Qin, YANG Zhuang, SONG Haitao, YE Hongwei, ZHANG Xingyue. Stress Analysis of the Plastic Shells of Image Intensifiers[J]. Infrared Technology , 2021, 43(5): 483-489.
Citation: TANG Qin, YANG Zhuang, SONG Haitao, YE Hongwei, ZHANG Xingyue. Stress Analysis of the Plastic Shells of Image Intensifiers[J]. Infrared Technology , 2021, 43(5): 483-489.

微光像增强器塑料外壳受力分析

详细信息
    作者简介:

    唐钦(1973-),男,四川遂宁人,高级工程师,主要从事光电装备质量监督工作。E-mail: 2302289947@qq.com

  • 中图分类号: TN223

Stress Analysis of the Plastic Shells of Image Intensifiers

  • 摘要: 为摸清微光像增强器塑料外壳受力规律,掌握质量变化特点,运用形变理论,建立硅橡胶形变数学模型,拟合塑料外壳受力曲线,据此确定微光像增强器塑料外壳出现开裂的必然性和寿命周期特点。结果表明:数学模型与试验数据高度吻合,能够表征塑料外壳受力情况及寿命变化规律。
    Abstract: To determine the law of stress on the plastic shells of image intensifiers and to identify the characteristics of quality change, the deformation theory is used in this study to establish a mathematical model of silicone rubber deformation and to fit the stress curves of plastic shells. Accordingly, the inevitability and life-cycle characteristics of the plastic shells of image intensifiers are determined. The results show that the mathematical model is in good agreement with the experimental data and can characterize the stress conditions and life variations of plastic shells.
  • 红外热像仪以非接触的方式获取物体表面温度,其原理是利用物体表面发射的热辐射成像,相比于传统测温方法,具有测温速度快、测温灵敏度高、测温范围广等优点[1-2]。但在实际测温中,会不可避免地产生各种误差,比如,无法准确测得发射率、测温距离与标定距离不同、测温时间太长会导致周围温度升高、测温仪器和物体自身原因产生的误差[3]。可通过提高测温仪器硬件性能的方式使测量误差降低,但其不能调控物体因自身受热不均或易受周围环境温度影响而导致的误差,这将会导致测量所得物体表面温度与物体本身温度有所差别。因此,需要将采集的物体表面温度数据进行修正。

    近年来,红外测温技术方法主要分为两种:基于非线性补偿的技术和基于深度学习的技术。早期,刘纯红等[4]根据黑体辐射定律,利用理论曲线对探测器的检测曲线进行修正,能够达到提高热辐射测温的测温精度的目的。王军帅等[5]通过测量不同观测距离下的黑体温度值,研究出红外相机测量结果距离补偿方法,提出了温度-距离的分段二次曲线分布模型,利用模型对测温数据进行误差补偿,解决了由于距离越大测温数据误差越大的问题。非线性补偿的方法对红外测温技术的精度有所提高,但影响因素单一、处理的数据量大、计算时间长。

    随着深度学习[6]的发展,许多学者将其引入修正红外测温数据中。例如,翟子洋等[7]通过对影响红外热像仪测温的环境因素建立误差回传神经网络模型,修正补偿了红外热像仪受到环境因素等误差问题,从而提升测温精度。李贞等[8]利用单片机内置的BP神经网络[9],检测数据优化温度并补偿算法中的参数,进而提高红外测温仪的数据检测精度。臧运瑞[10]提出了基于特征选择和深度学习的红外测温方法,运用红外辐射基础理论分析出影响红外测温精度因素,将红外测温加入卷积神经网络和残差网络,优化网络参数,提高红外测温精度。但这些方法对于特征表达丰富度不足,模型泛化能力较弱,从而导致测温修正精度不高。

    针对上述问题,本文提出了一种融合通道注意力机制ECA[11](Efficient Channel Attention Module)的卷积神经网络,即EACN(Efficient Attention Compression Networks Module)模型。具体概述如下:

    1)本文引入超分辨率重建[12]的思想,构建温度修正模型。

    2)该模型方法通过特征压缩,减少特征参数,以此提高网络推理速度。为了保留显著特征关注度,模型方法引入ECA通道注意力机制。

    3)为了更好利用浅层细节特征,本文采用跳跃连接[13]关联前后语义特征,以此进一步提升模型的修正精度。

    EACN网络模型包含特征提取模块、特征映射模块和特征重建模块3部分。具体网络结构如图 1所示。

    图  1  EACN网络结构
    Figure  1.  EACN framework

    特征提取模块是由特征块提取模块与特征压缩模块两部分组成。其流程是先根据数据处理的不同策略选择不同的输入尺寸。假定输入尺寸为H×W×1,将待修正的数据输入到模型中,经一层5×5卷积核对输入数据进行卷积操作,提取特征块,输出尺寸为H×W×56,再利用1×1卷积进行特征降维,即对通道数压缩,此时输出尺寸为H×W×12,激活函数均选用PReLU函数。特征块提取模块利用卷积层的局部感知特性,获取细节特征信息,并通过级联堆叠映射提取语义特征信息。特征压缩模块利用1×1卷积实现跨通道特征整合,以及增加层与层之间的非线性,不仅保留原有的语义特征信息,还提高模型计算处理速度。

    特征映射模块主要由ECA模块和卷积模块构成。具体如图 2所示。其中,ECA模块前后均采用一层3×3卷积核对数据进行卷积处理,采用PReLU激活函数。ECA模块作为特征映射模块的核心部分,其主要的功能模块是动态1×1卷积,用于学习不同通道间的重要性。动态卷积是指卷积核的大小由一个函数做自适应变化,在通道数较大的层时使用较大的卷积核做1×1卷积,使其更多地进行跨通道交互;在通道数较小的层时使用较小的卷积核做1×1卷积,使其更少地进行跨通道交互,卷积和自适应函数的计算公式如式(1)所示:

    $$ K = F(C) = {\left| {\frac{{{\text{lo}}{{\text{g}}_2}(C)}}{\gamma } + \frac{b}{\gamma }} \right|_{{\text{odd}}}} $$ (1)
    图  2  特征映射模块
    Figure  2.  Feature mapping module

    式中:K表示卷积核的大小;C表示通道数0;odd表示K只能取奇数;bγ可以改变通道数C和卷积核大小K之间的比例。ECA模块不仅能学习特征图通道之间的重要程度,且以增加较少的参数量换取对模型性能的提升,即该模块对EACN模型的速度影响较小。其具体算法流程如图 3所示,假定输入为一个H×W×C的特征图,通过全局平均池化整合空间信息,得到各个通道的特征表达,以便于后续通道间特征关联性的学习。其次利用自适应卷积实现邻近通道间的信道交互,得到所有通道共享权重信息,从而使特征图获取到不同通道间的重要性。最后将带有共享权重信息的特征图和原特征图进行逐通道结合,得到最终通道注意力机制的特征图。

    图  3  ECA模块
    Figure  3.  ECA module

    特征重建模块主要由特征扩展模块和跳跃连接模块组成。先将特征映射模块输出的数据进行通道扩展,再结合输入数据,输出修正数据。特征扩展模块利用1×1卷积还原通道尺度实现特征升维,此时输出尺寸为H×W×56,与特征压缩对应,再使用一层3×3卷积核输出最终通道数的数据,其尺寸为H×W×1,激活函数采用PReLU函数。将此数据加入原始输入数据,实现跳跃连接。最后进行3×3卷积输出最终数据,此处使用ReLU函数,完成特征重建。跳跃连接可将浅层信息与高层语义相结合,实现特征重用,进一步提升温度修正精度。跳跃连接结构如图 4所示。

    图  4  跳跃连接结构
    Figure  4.  Skip connection framework

    为尽可能减少实验环境产生的误差、测温设备误差以及物体自身误差,本实验选用高低温试验箱进行实验环境控制,使用红外热像仪作为测温仪器,选用黑体[14]作为被测物体。

    本实验首先设定高低温试验箱温度为25℃,湿度为50%,其次放入红外热像仪与被测黑体,最后,固定红外热像仪与黑体距离。采集平台如图 5所示,其中,图(a)为高低温试验箱外形及设置参数的屏幕显示,图(b)为试验箱内红外热像仪采集黑体温度数据时状态。

    图  5  采集平台
    Figure  5.  Acquisition platform photo

    采集平台搭建完成之后,将采集5组黑体温度数据进行实验。为了减少黑体自身散热对环境温度产生的影响和模型训练时对固定温度梯度的依赖性,设置温度梯度在2℃左右,具体黑体温度为24.5℃、26.3℃、28℃、30℃和32℃。每组数据采集49张,每张数据分辨率大小为512×640。将每组实验的数据集进行划分,其中训练集、验证集和测试集的比例为3:1:1。

    基于上述所采集的温度数据,本文提出两种数据处理的策略:一是直接使用热红外热像仪采集的原始尺度的温度数据作为网络输入,称为C1策略;二是为探究本文的局部数据是否可以映射到全局数据,利用基于CNN提取特征时的局部特性,对原始数据进行二次划分。具体是依据相同横纵比采用横向步长为64,竖向步长为80将每张原始数据切分为49张128×160的数据,为原始数据尺寸的1/16,总计12005张,再随机抽取其中5040张数据作为网络输入,称为C2策略。两种数据处理策略在测试数据时统一使用原始数据集的测试集。具体C1、C2策略下的红外图像分别如图 6的(a)、(b)所示。

    图  6  两种策略下的红外图像
    Figure  6.  Infrared images under two strategies

    为保证后续实验结果的有效性,本实验将统一实验软硬件与模型训练超参数,实验硬件设备、软件具体如表 1,训练超参数具体如表 2所示。

    表  1  实验软硬件
    Table  1.  Experimental hardware and software
    Name Model Number
    Thermal imaging camera HiNet-6400EM
    Blackbody of a surface source HT-20-D100
    High and low temperature tester KB-TKS-F1000D
    Operating system Windows10
    GPU RTX3090
    CUDA 11.7
    Deep learning framework PyTorch
    下载: 导出CSV 
    | 显示表格
    表  2  超参数信息
    Table  2.  Hyperparameter information
    Hyperparameterization Number of Settings
    Initial learning rate 0.001
    Batchsize 16
    Weight decay 0.0001
    Loss RMSE
    Optimizer Adam
    下载: 导出CSV 
    | 显示表格

    本实验以均值、标准差、均方误差(Mean-Square Error, MSE)、均方根误差(Root Mean Square Error, RMSE)、运行时间作为评价指标,对网络模型性能进行评估。其中均值、标准差、MSE和RMSE计算公式如式(2)~(5)所示:

    $$ \bar x = \frac{{\sum\limits_{i = 1}^n {{x_{\text{i}}}} }}{n} $$ (2)
    $$ \sigma = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} }}{n}} $$ (3)
    $$ {\text{MSE}} = \frac{1}{n}\sum\limits_{i = 1}^n {({Y_i}} - {\hat Y_i}{)^2} $$ (4)
    $$ {\text{RMSE}} = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {({Y_i}} - {{\hat Y}_i}{)^2}} $$ (5)

    式(2)、(3)中:xi表示每个温度数据值;n表示每张温度数据总数;$ \bar x $表示均值温度;σ表示标准差。式(4)、(5)中:Yi表示每个温度数据值;$ {\hat Y_i} $表示真实温度值,即采集黑体时黑体设定的温度值;n表示每张温度数据总数;MSE表示均方误差;RMSE表示均方根误差。

    为了验证本文所提方法性能,实验分为不同模型间的对比实验以及消融实验。

    本文选用SRCNN[15]模型和VDSR[16]模型在两种数据处理策略下与本文算法进行对比实验。结果如表 3所示。

    表  3  不同模型综合实验结果对比
    Table  3.  Comparison of comprehensive experimental results of different models
    Models Corresponding mean values for different real temperature values/℃ Standard deviation MSE RMSE Time/ms
    24.5 26.3 28 30 32
    SRCNN_C1 24.34 26.11 28.01 30.11 32.01 0.08 0.053 0.230 1007
    SRCNN_C2 24.40 26.15 28.02 30.09 31.97 0.08 0.037 0.192 183
    VDSR_C1 24.30 26.11 28.02 30.13 32.04 0.10 0.046 0.214 450
    VDSR_C2 24.29 26.10 28.01 30.12 32.03 0.10 0.045 0.212 858
    EACN_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330
    EACN_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
    下载: 导出CSV 
    | 显示表格

    对比3种模型在C1策略下的实验结果,观察不同温度下的评价指标,具体变化曲线如图 7所示。EACN模型在24.5℃、26.3℃和30℃的均值温度数据都更接近真实温度值;SRCNN模型的标准差最小,说明SRCNN模型得到的温度数据分布更稳定;EACN的MSE和RMSE值在24.5℃和26.3℃的温度下最小,其综合值也最小,说明EACN模型的精度比SRCNN和VDSR模型高;从运行时间来说,EACN模型的运行时间最少,运行速度比SRCNN模型和VDSR模型分别快3倍和1.3倍。

    图  7  三种模型在C1策略下的评价指标数据变化
    Figure  7.  Evaluation index data variation of the three models under the C1 strategy

    对比3种模型在C2策略下的实验结果,如图 8所示。EACN模型在24.5℃、26.3℃和30℃的均值温度数据也都更接近真实温度值;EACN模型的标准差比VDSR模型低;EACN的MSE和RMSE值在前四组温度下和综合值都最低,说明EACN模型提升数据精度性能更好;EACN模型的运行时间最少,VDSR模型的运行时间最多。

    图  8  三种模型在C2策略下的评价指标数据变化
    Figure  8.  Variation of evaluation index data of the three models under the C2 strategy

    两种数据策略下的均值温度、MSE和RMSE变化相似,在C1策略下,EACN模型的标准差最高,SRCNN运行时间最多;在C2策略下,VDSR模型的标准差和运行时间最多。EACN模型在两种数据策略下的MSE、RMSE值和运行时间最短。

    总之,本实验提出的EACN模型在两种数据策略下精度与速度均最优,证明EACN模型方法的高效性。

    为检验特征映射模块层数以及两种数据处理策略对模型性能的影响,本文设计不同特征映射模块数量的消融实验。具体实验结果如表 4所示。

    表  4  不同特征映射层数实验对比
    Table  4.  Experimental comparison of different feature mapping layers
    Model Corresponding mean values for different
    real temperature values/℃
    Standard deviation MSE RMSE Time/ms
    24.5 26.3 28 30 32
    EACN_C1_6 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330
    EACN_C1_9 24.52 26.20 28.00 29.99 31.79 0.13 0.057 0.239 2825
    EACN_C1_12 24.54 26.22 28.03 29.98 31.82 0.12 0.042 0.205 5481
    EACN_C2_6 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
    EACN_C2_9 24.52 26.21 28.02 29.97 31.84 0.09 0.036 0.190 935
    EACN_C2_12 24.51 26.21 28.02 29.97 31.84 0.10 0.036 0.190 1432
    下载: 导出CSV 
    | 显示表格

    对比模型在两种数据处理策略下的实验结果,观察不同温度下的评价指标,具体变化曲线如图 9所示。C1策略下的均值温度更接近真实温度值;C2策略下的标准差、MSE值、RMSE值和运行时间更低。比如,6层的两种处理策略所得到的MSE值相差0.015,RMSE值相差0.041,运行时间相差5 ms;9层和12层运行时间大概相差3倍,说明C2策略下得到的温度数据与真实温度数据值更接近,速度也更快。以上表明,在EACN模型上,C2策略从精度和速度都优于C1策略,证明了C2策略的有效性。

    图  9  特征映射层数不同时的评价指标数据变化
    Figure  9.  Variation of evaluation index data at different feature mapping layers

    对比EACN模型的不同特征映射模块层数的实验结果,如图 9所示。随着映射模块层数加深,标准差越小,说明数据分布越稳定;在C1策略下,层数越深,均值温度偏移更多;6层比12层的MSE值高0.06,但运行时间为前者的1/16,表明随着层数加深,数据精度在提升,但也牺牲更多的时间。在C2策略下,12层的均值温度最接近真实温度值,MSE值和RMSE值也没有随着网络结构的加深而提高,但运行时间却增多了,说明在EACN模型中加深特征映射模块,没有明显提高数据精度,速度也会下降。

    由此可见,对于EACN算法,设置6层的特征映射模块并使用C2策略的修正温度数据效果更好。

    为检验各模块的性能以及两种数据处理策略对模型的影响,本文设计加入不同模块的消融实验。本实验以6层CNN卷积块作为Baseline,逐层增加各个模块,其中,FC表示特征压缩,JC表示跳跃连接。具体实验结果如表 5所示。

    表  5  逐层加入模块实验结果对比
    Table  5.  Comparison of experimental results by adding modules layer by layer
    Model Corresponding mean values for different
    real temperature values / ℃
    Standard deviation MSE RMSE Time/ms
    24.5 26.3 28 30 32
    Baseline_C1 24.99 26.51 28.13 29.91 31.53 0.12 0.134 0.366 898
    +FC_C1 24.74 26.34 28.04 29.93 31.63 0.19 0.093 0.305 304
    +ECA_C1 24.53 26.28 28.02 30.01 31.93 0.25 0.083 0.288 324
    +JC_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330
    Baseline_C2 24.52 26.21 28.01 30.00 31.80 0.08 0.035 0.187 2644
    +FC_C2 24.51 26.24 27.97 30.01 31.89 0.07 0.028 0.163 309
    +ECA_C2 24.48 26.30 27.94 29.99 31.86 0.02 0.009 0.095 320
    +JC_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
    下载: 导出CSV 
    | 显示表格

    对比逐层加入各个模块时模型在C1策略下的实验结果,观察不同温度下的评价指标,具体变化曲线如图 10所示。Baseline的温度均值、MSE值及RMSE值的变化幅度较大,但标准差最小,说明每个温度值下的数据较稳定;随着改进模块的增加,MSE值和RMSE值明显减小,说明每个模块在C1策略下对模型的精度均有有效提升。

    图  10  在C1策略下逐层加入模块的各评价指标数据变化
    Figure  10.  The data variation of each evaluation index of modules are added layer by layer under C1 strategy

    对比逐层加入各个模块时模型在C2策略下的实验结果,观察不同温度下的评价指标,具体变化曲线如图 11所示。各个模块在32℃下的均值偏移均最大,尤其是Baseline;加入ECA模块的标准差、MSE值、RMSE值均最小,说明数据比较稳定,ECA模块在C2策略下的作用更突出。

    图  11  在C2策略下逐层加入模块的各评价指标数据变化
    Figure  11.  The data variation of each evaluation index of modules are added layer by layer under C2 strategy

    对比同一模块下的不同数据处理策略,Baseline在C2策略下的运行时间比C1多将近3倍,而随着其他模块的加入,C2策略下的运行时间都更少。在同一处理策略下,Baseline的运行时间最长,在增加特征压缩模块后运行时间有大幅度下降,精度也有所增加,说明特征压缩模块保留特征提取能力且能有效提升模型速度。

    本文提出了融合通道注意力机制的EACN模型,该模型首先进行特征压缩,减少特征参数量。其次,为提供更具表征的特征信息,EACN模型在卷积的基础上增加了通道注意力机制和跳跃连接,从而得到特征通道间的重要程度与多层语义特征信息。为检验模型方法的有效性,将其与相关算法进行实验结果对比。实验结果表明,EACN模型在两种数据策略下均有效提升测温修正精度,并且在速度方面有明显提升。但本文未能考虑数据温度范围对实验模型的影响,且在加深特征映射模块数量后,并无明显性能提升,后续工作将会针对以上存在的问题继续研究。

  • 图  1   像增强器示意图

    Figure  1.   Schematic diagram of image intensifier

    图  2   固有应力示意图

    Figure  2.   Schematic diagram of natural stress

    图  3   像增强器外径与温度回归分析结果

    Figure  3.   Regression analysis results of image intensifier outer diameter and temperature

    图  4   像增强器外壳受力趋势图

    Figure  4.   Force trend of image intensifier shell

    图  5   外壳强度趋势示意图

    Figure  5.   Tensile strength trend diagram of shell

    图  6   外壳强度与受力趋势图

    Figure  6.   Shell tensile strength and stress trend diagram

    表  1   不同温度下像增强器外径测试值

    Table  1   External diameters of image intensifiers measured at different temperatures

    Temperature/℃ Cathode extreme/mm Middle region/mm Anode extreme/mm Average /mm
    -54 36.497 36.487 36.510 36.498
    -43 36.533 36.517 36.543 36.531
    -32 36.567 36.553 36.573 36.564
    -21 36.600 36.600 36.597 36.599
    -10 36.633 36.627 36.643 36.634
    1 36.657 36.667 36.667 36.663
    12 36.683 36.683 36.693 36.687
    23 36.717 36.713 36.713 36.712
    34 36.733 36.740 36.737 36.737
    45 36.760 36.753 36.753 36.756
    56 36.783 36.783 36.780 36.782
    67 36.810 36.807 36.803 36.807
    下载: 导出CSV

    表  2   吸潮微光像增强器外径和L1

    Table  2   External diameter and L1 values of the moistureabsorber image intensifier

    Year Diameter/mm L1 value/mm Remarks
    2013 36.92 35.92 Shell cracking
    2014 36.89 35.89 Shell cracking
    2015 36.88 35.88 Shell cracking
    2016 36.83 35.83 Shell cracking
    2017 36.76 35.76 Shell not cracked
    2018 36.75 35.75 Shell not cracked
    2019 36.72 35.72 Shell not cracked
    下载: 导出CSV

    表  3   未吸潮微光像增强器外径和L2

    Table  3   External diameter and L2 values of non-moisture imageintensifier

    Serial number Diameter/mm L2 value/mm Average/mm Note
    1 36.70 35.70 35.71 The wallThickness of the shell is 0.50 mm
    2 36.71 35.71
    3 36.73 35.73
    4 36.70 35.70
    5 36.71 35.71
    下载: 导出CSV

    表  4   不同年份像增强器吸潮应力值

    Table  4   Moisture absorption stress values of image intensifier in different years

    Year 2013 2014 2015 2016 2017 2018 2019 2020
    Natural stress/MPa 14.10 12.12 11.45 8.08 3.37 2.69 0.68 0
    下载: 导出CSV
  • [1] 王淑芬. 浅谈塑料制品的应力开裂[J]. 中国科技信息, 2009(12): 182-182. https://www.cnki.com.cn/Article/CJFDTOTAL-XXJK200912113.htm

    WANG Shufen. Discussion on stress cracking of plastic products[J]. China Science and Technology Information, 2009(12): 182-182. . https://www.cnki.com.cn/Article/CJFDTOTAL-XXJK200912113.htm

    [2] 张庭跃, 胡萍, 陈倩, 等. ABS工程塑料应力开裂现象综合分析及表征[J]. 合成材料老化与应用, 2009, 38(1): 36-39. https://www.cnki.com.cn/Article/CJFDTOTAL-HOCE200901011.htm

    ZHANG Tingyue, HU Ping, CHEN Qian, et al. Comprehensive analysis and characterization of stress cracking phenomenon of ABS engineering plastics[J]. Synthetic Materials Aging and Application, 2009, 38(1): 36-39. https://www.cnki.com.cn/Article/CJFDTOTAL-HOCE200901011.htm

    [3] 程尧舜. 弹性力学基础[M]. 上海: 同济大学出版社, 2009.

    CHEN Yaoshun. Fundamentals of Elastic Mechanics[M]. Shanghai: Tong ji University Press, 2009.

    [4] 刘鸿文. 简明材料力学[M]. 北京: 高等教育出版社, 2016.

    LIU Hongwen. Conciscent Materials Mechanics[M]. Beijing: Higher Education Press, 2016.

    [5] 胡赓祥, 蔡珣, 戎咏华. 材料科学基础[M]. 上海: 上海交通大学出版社, 2010.

    HU Gengxiang, CAI Xun, RONG Yonghua. Fundamentals of Materials Science[M]. Shanghai: Shanghai Jiaotong University Press, 2010.

    [6] 丁钟生. 电负性与无机材料体积模量研究[D]. 大连: 大连理工大学, 2011.

    DING Zhongsheng. Electronegativity and Volume Modulus of Inorganic Materials[D]. Dalian: Dalian University of Technology.

    [7] 唐世斌, 唐春安, 朱万成, 等. 热应力作用下的岩石破裂过程分析[J]. 岩石力学与工程学报, 2006, 25(10): 2071-2078. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200610018.htm

    TANG Shibin, TANG Chunan, ZHU Wangcheng, et al. Analysis of rock failure process under thermal stress[J]. Chinese Journal of Rock Mechanics and Engineering, 2006, 25(10): 2071-2078. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200610018.htm

    [8] 石明生, 罗静, 张蓓. 高聚物注浆材料吸水特性及温度变化对体积影响试验研究[J]. 中外公路, 2010, 30(3): 289-291. https://www.cnki.com.cn/Article/CJFDTOTAL-GWGL201003078.htm

    SHI Mingsheng, LUO Jing, ZHANG Bei. Experimental study on water absorption characteristics of polymer grouting material and influence of temperature variation on volume[J]. Chinese & Foreign Highway, 2010, 30(3): 289-291. https://www.cnki.com.cn/Article/CJFDTOTAL-GWGL201003078.htm

    [9] 化学工业部合成材料老化研究所. 塑料和橡胶的气候老化[M]. 上海: 上海科学技术文献出版社, 1980.

    Institute of Synthetic Materials Aging Ministry of Chemical Industry. Climate Aging of Plastic and Rubber[M]. Shanghai: Shanghai Scientific and Technical Literature Press, 1980.

    [10] 高伟斌, 张枝苗. 高分子材料老化与防老化的研究[J]. 国外塑料, 2009, 27(11): 40-44. https://www.cnki.com.cn/Article/CJFDTOTAL-GWSL200911012.htm

    GAO Weibin, ZHANG Zhimiao. Study on aging and anti-aging of polymer materials[J]. Foreign Plastics, 2009, 27(11): 40-44. https://www.cnki.com.cn/Article/CJFDTOTAL-GWSL200911012.htm

图(6)  /  表(4)
计量
  • 文章访问数:  224
  • HTML全文浏览量:  109
  • PDF下载量:  50
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-02-05
  • 修回日期:  2021-03-25
  • 刊出日期:  2021-05-21

目录

/

返回文章
返回