什么是LOI极限氧指数测定

最新推荐文章于 2025-07-17 17:10:02 发布
原创 最新推荐文章于 2025-07-17 17:10:02 发布 · 965 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#测试

氧指数测试是一种衡量材料燃烧特性的方法，它定义了材料在氧气和氮气混合气体中维持燃烧所需的最低氧浓度。LOI与聚合物的氧含量、卤素含量等因素相关，常用设备为氧指数仪。测试过程涉及特定的试样尺寸、点火器规格和燃烧条件。不同类型的试样和厚度会影响测试结果。常见的标准如ISO4589和GB/T2406.2等指导了测试操作。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

LOI极限氧指数定义在规定条件下，试样在氧、氮混合的气体中，维持平衡燃烧所需的最低氧浓度（体积百分含量）。

聚合物的氧指数与其燃烧时的成炭率、比燃烧焓及元素组成等因素有关。很多高聚物的燃烧焓、氧化焓及起始分解温度与它们的LOI间存在一定的对应关系。一般来说，高聚物中的氧含量降低和卤素含量增高，均可提高材料的LOI氧指数。

测定LOI氧指数所用的设备为氧指数仪。氧指数仪的燃烧筒为一根高450mm、最小内径75mm、顶部出口内径40mm的耐热玻璃管，垂直固定在可通过氧、氮混合气的基座上，筒内填装有80-100mm高的直径为3-5mm的玻璃珠，用以平湖气流。在玻璃珠的上方装有金属网，以防下落的碎片阻塞气体入口和配气通路。基座上部为试样夹具，分2种：一种用于自撑材料，固定在燃烧筒轴心上，能垂直夹住试样；另一种用于非自撑材料（薄膜、薄片等），为框架结构，能将试样的两个垂直边同时固定在框架上，再以上述自撑材料所采用的夹具固定在底座上。

氧指数仪所用的氧气及氮气的压力不应低于1MPa。所用点火器为一根金属管，其末端内径为2±1mm，能插入燃烧筒内点燃试样。点火器的燃料可为丙烷、丁烷、石油液化气或天然气。点火器火焰的长度在喷嘴竖直向下时应为16±4mm。

对应I、II、III及IV型试样（自撑材料），采用顶端点燃法时，在距点燃端50mm处划有标线；对V型试样（非自撑材料），常采用扩散点燃法，标线应划在试样框架上或划在距点燃端20mm和100mm处。

不同型式、不同厚度试样的测试结果缺乏可比性。对于各向异性材料，不同方向试样的实测LOI极限氧指数也不同。

常用的氧指数测试标准：

ISO4589-2 塑料-用氧指数法测定燃烧行为-室温测试

ISO4589-2 Plastics-Determination of burning behavior by oxygen index –Part 2: Ambient-temperature test

GB/T2406.2 塑料-用氧指数法测定燃烧行为-室温试验

GB/T2406.2 Plastics-Determination of burning behavior by oxygen index-Part 2: Ambient-temperature test

ASTM D2863测量支持塑料类似蜡烛燃烧的最低氧气浓度（氧指数）的试验方法

ASTM D2863Standard Test Method for Measuring the Minimum Oxygen Concentration to Support Candle-Like Combustion of Plastics (Oxygen Index)

GB/T 10707橡胶燃烧性能的测定

GB/T 10707Rubber-Determination of the burning

GB/T 8924纤维增强塑料燃烧性能试验方法氧指数法

GB/T 8924Fiber Reinforced Plastics-Burning behaviour-Oxygen index method

出自GF2022

中科易朔
关注
长文详解材料阻燃性能试验方法
szhtw168的博客
08-04 4838
长文详解材料阻燃性能试验方法 材料阻燃性能试验方法 阻燃材料燃烧试验的目的在于评定它的燃烧特性，即是否容易着火、着火后是否延燃，以及是否冒烟和释放毒气等。本文主要介绍了材料阻燃性能的测试方法。 1、火的燃烧效应 为了研究材料阻燃性能参数，可将火划分为３个阶段，即初起阶段、全盛阶段及衰减阶段。所有可燃材料大多是在火灾全盛阶段燃烧，一般很少有阻燃能力。 因此，在评估材料火危害性时，只需考虑从火初起至闪燃这一阶段，此阶段包括下述几个过程：点燃、火焰传播、释热和闪燃，它们所产生的效应称为火的一级效应。此外，这一阶段
概率论一些知识
zuoyonggang
01-19 4万+
目录 第一节 离散.连续.多维随机变量及其分布 1.1、几个基本概念点 1..2、随机变量及其分布 第二节、从数学期望、方差、协方差到中心极限定理 2.1、数学期望、方差、协方差 2.2、中心极限定理 第三节、从数理统计简史中看正态分布的历史由来 3.1、正态分布的定义 3.2、早期概率论：从萌芽到推测术 3.3、棣莫弗的二项概率逼近 3.4、贝叶斯方法 3.5、最小...
ISO 4589-2 OI极限氧指数与UL94V0阻燃等级
CASfire的博客
11-23 1479
电子电气材料的阻燃防火标准最具代表性的是UL 94 V0等级防火，ISO 4589-2 OI极限氧指数。 ISO 4589-2 塑料–用氧指数法测定燃烧行为–第2部分:室温测试 ISO 4589-2 Plastics-Determination of burning behaviour by oxygen index –Part 2: Ambient-temperature test 本部分测定最小氧浓度，在特定测试条件下用氮气支持小垂直试样燃烧。试验是在23°C ± 2°C的室温下进行，测试结果
概率统计极简入门：通俗理解微积分/期望方差/正态分布前世今生(23修订版)
热门推荐
结构之法 算法之道
12-17 20万+
数据挖掘中所需的概率论与数理统计知识 （关键词：微积分、概率分布、期望、方差、协方差、数理统计简史、大数定律、中心极限定理、正态分布） 导言：本文从微积分相关概念，梳理到概率论与数理统计中的相关知识，但本文之压轴戏在本文第4节（彻底颠覆以前读书时大学课本灌输给你的观念，一探正态分布之神秘芳踪，知晓其前后发明历史由来），相信，每一个学过概率论与数理统计的朋友都有必要了解数理统计学简...
概率论几种常见分布
low5252的博客
02-27 1万+
概率论几种常见分布正态分布概要分析泊松分布适用范围伽玛分布对数正态分布 本文也算是一种对大学知识的回顾吧！学习数据分析看到几种统计方法，没办法，过来总计一下吧，反正感觉我以后用的次数还多着哩。 正态分布 正态分布（normal distribution）又名高斯分布，是一个非常常见的连续概率分布。正态分布在统计学上十分重要，经常用在自然和社会科学来代表一个不明的随机变量。 概要 正态分布是自然科...
数据挖掘中所需的概率论与数理统计知识，上
mmc2015的专栏
09-26 2444
http://www.cnblogs.com/v-July-v/archive/2012/12/17/3125418.html 数据挖掘中所需的概率论与数理统计知识、上   （关键词：微积分、概率分布、期望、方差、协方差、数理统计简史、大数定律、中心极限定理、正态分布） 导言：本文从微积分相关概念，梳理到概率论与数理统计中的相关知识，但本文
High compaction molding【清华大学:于震宗】
loln23loln
01-16 955
High compaction molding【清华大学:于震宗】 2011年12月14日 　　高密度湿型 　　清华大学 于震宗 　　高密度造型方法（或称高紧实度造型，包括多触头高压、气冲、挤压、射压、静压、吸压造型方法）的生产效率高、铸件品质较好，因而国内外应用都很普遍。高密度造型对型砂品质的要求比较严格。本文用表格（见文后附表）列举部分典型的国内外铸造厂实际应用的和部分设备公司...
数据挖掘中所需的概率论与数理统计知识
HuFeiHu
11-19 659
数据挖掘中所需的概率论与数理统计知识   （关键词：微积分、概率分布、期望、方差、协方差、数理统计简史、大数定律、中心极限定理、正态分布） 导言：本文从微积分相关概念，梳理到概率论与数理统计中的相关知识，但本文之压轴戏在本文第4节（彻底颠覆以前读书时大学课本灌输给你的观念，一探正态分布之神秘芳踪，知晓其前后发明历史由来），相信，每一个学过概率论与数理统计的朋友都有必要了解数理统计学简史
推荐系统中所需的概率论与数理统计知识
开心妙妙屋
04-12 8752
本文从微积分相关概念，梳理到概率论与数理统计中的相关知识，但本文之压轴戏在本文第4节（彻底颠覆以前读书时大学课本灌输给你的观念，一探正态分布之神秘芳踪，知晓其前后发明历史由来），相信，每一个学过概率论与数理统计的朋友都有必要了解数理统计学简史，因为，只有了解各个定理.公式的发明历史,演进历程.相关联系，才能更好的理解你眼前所见到的知识，才能更好的运用之。
材料的点燃性与可燃性的测定.doc
09-21
极限氧指数（Limiting Oxygen Index, LOI）测试是一种常用评估材料可燃性的方法。该测试的核心在于确定材料在氧气与氮气混合气体中维持燃烧所需的最低氧气浓度。LOI值的测定基于材料的成碳率、比燃烧焓以及元素组成...
全面了解材料的燃烧性能与测试方法_新能源检测技术材料化学元器件汽车电子热分析实验室仪器温度.doc
09-22
- 氧指数测定：采用氧指数仪进行，如FTT的氧指数仪，精确测量维持材料燃烧所需的最低氧气浓度，适用于塑料、电缆等材料的燃烧性能评估。 - 高温氧指数法：适用于在高温环境下评价材料的燃烧性能，通过提高测试温度来...
知道吗阻燃性测试还有这么多种_新能源检测技术材料化学元器件汽车电子热分析实验室仪器温度.doc
09-22
2. **极限氧指数测试**：极限氧指数（LOI）衡量的是材料在含氧气体中的自燃能力。当材料在混合气体中刚好能维持燃烧时的最低氧气浓度即为极限氧指数。该测试用于确定材料在特定环境下的安全级别。 3. **灼热丝试验*...
材料阻燃性能试验方法_新能源检测技术材料化学元器件汽车电子热分析实验室仪器温度.doc
09-22
1. 可燃性试验：如极限氧指数（LOI）测试，该试验通过测定材料在特定氧气浓度下的燃烧性能来评估其阻燃能力。 2. 火焰传播性试验：如隧道试验和辐射板试验，这类试验评估材料被点燃后火焰在材料表面传播的速度和...
塑料阻燃性能测试方法和标准PPT学习教案.pptx
10-04
2. **极限氧指数（LOI）的测定**：极限氧指数是衡量材料在规定条件下燃烧难易程度的一个参数，通常被用来评价材料的阻燃性。在测试中，通过氧指数仪改变氮氧混合气体中的氧浓度，直至材料达到平衡燃烧状态，通过计算...
浏览器自动化领域的MCP
警警的博客
07-14 439
浏览器自动化核心工具MCP（主控程序）通过代码控制浏览器完成点击、输入等操作，实现流程自动化。主流工具包括：1）基于CDP协议的Puppeteer（JS开发，适合网页测试、数据抓取）、Playwright（跨浏览器支持）和Selenium（多语言兼容）；2）浏览器扩展方案（适合简单交互）；3）无代码工具如UiPath（企业RPA）。开发者推荐使用Puppeteer实现复杂自动化，非技术人员可选UiPath等可视化工具。选择需考虑技术栈、场景复杂度及目标用户群体。
Postman接口测试实现UI自动化测试
最新发布
m0_68405758的博客
07-17 493
运行代码，启动浏览器后，webdriver会将浏览器绑定到特定的端口，作为webdriver的remote server（远程服务端），而client（客户端，也就是测试脚本，可以是Python或者Java代码）会借助CommandExecutor创建sessionId，发送http请求给remote server，remote server收到http请求后，调用webdriver完成操作，并将http响应结果返回给client。由于我们跳过了代码脚本，因此需要手动启动浏览器驱动。
构建可扩展的测试体系，从设计、优化到持续维护
m0_59657800的博客
07-17 591
如果你已经成功实现了部分测试用例的自动化，并不意味着测试工作在规模扩大时也能顺利运行。真正可扩展的自动化测试体系，需要从设计、优化到维护全流程的“系统性”思维，尤其要考虑每周执行数千条测试用例与仅测试几个功能的巨大差异。本文解析可扩展与不可扩展测试框架的本质差异，并为你提供一套可落地的建设思路，让测试体系与业务同步成长。
Postman接口
p13672294967的博客
07-16 649
Postman断言简介利用postman自带的断言机制，帮助我们自动判断预期结果和实际结果是否一致使用的是JavaScript脚本语言，写在Tests的标签页中。在TestResults标签中显示Postman常用断言断言响应状态码断言响应体是否包含某个字符串断言响应体是否等于某个字符串（对象）断言JSON数据断言响应头postman断言的工作原理Postman的全局变量和环境变量。
pytest 实战演练【pytest】
chao_789的博客
07-16 657
转载自白月黑羽，，仅作学习笔记用途，侵权联系删除。
LOI池化
05-27
### LOI Pooling 的概念与实现 LOI (Line of Interest) Pooling 是一种受目标检测领域中的 RoI (Region of Interest) Pooling 和 RoI Align 启发而设计的操作方法。其主要目的是在线段检测任务中，将线段映射到特征图上并生成固定大小的特征表示[^2]。 #### 背景 在计算机视觉任务中，尤其是涉及线段或边缘结构的任务（如 LCNN 中的线框分析），需要一种机制来提取特定区域内的特征并向主干网络传递梯度。传统的卷积神经网络通常会丢失空间信息，因此引入了类似于 RoI Pooling 或 RoI Align 的操作，用于处理感兴趣区域的特征提取问题。LOI Pooling 则专门针对线段这一几何对象进行了优化。 --- #### 基本概念 LOI Pooling 将一条线段视为一个兴趣区域，并将其投影到 CNN 提取的特征图上。具体来说，它通过以下方式工作： 1. **输入准备**：给定一张图像及其对应的特征图 \( F \)，以及一组待检测的线段坐标集合 \( L = \{l_1, l_2, ..., l_n\} \)。 2. **线段投影**：每条线段被投影到特征图的空间维度上，形成一个新的采样路径。 3. **特征聚合**：沿着这条路径采集特征值，并通过插值或其他技术生成固定的特征向量。 这种操作使得模型能够在保持高精度的同时高效地学习线段特征。 --- #### 实现细节 以下是 LOI Pooling 的典型实现流程： ##### Step 1: 定义线段范围 假设有一条线段由两个端点定义为 \( p_s(x_s, y_s), p_e(x_e, y_e) \)，则该线段可以通过参数化方程描述为： \[ P(t) = (1-t)p_s + t p_e,\quad t \in [0, 1]. \] 此方程允许我们在连续域内计算任意位置上的像素坐标。 ##### Step 2: 投影至特征图 由于原始图像经过多次下采样后形成了低分辨率的特征图，需将线段两端点 \( p_s, p_e \) 映射到特征图对应的位置 \( q_s(u_s, v_s), q_e(u_e, v_e) \)[^2]。这一步骤可通过简单的缩放变换完成。 ##### Step 3: 插值采样 沿投影后的线段路径，在特征图上进行双线性插值以获取精确的特征值。设某时刻 \( t_i \) 对应于特征图上的浮点坐标 \( (u_t, v_t) \)，那么附近的四个整数网格点可参与加权平均运算，最终得到当前点处的特征值[^2]。 ##### Step 4: 特征重组 最后，将所有采样的特征按顺序排列成一维向量作为输出结果。如果存在多个通道，则分别独立执行上述过程后再拼接在一起[^2]。 ```python import torch from torchvision.ops import roi_align as _roi_align def loi_pooling(features, lines, output_size=16): """ Implementation of Line-of-Interest (LoI) Pooling. Args: features (Tensor): Feature maps from backbone network with shape (B, C, H, W). lines (List[Tuple]): List of line segments defined by start and end points [(xs, ys, xe, ye)]. output_size (int): Number of samples along each LoI. Returns: Tensor: Extracted feature vectors for all given lines. """ batch_size, num_channels, height, width = features.shape pooled_features = [] for b in range(batch_size): for xs, ys, xe, ye in lines[b]: # Normalize coordinates to ROIAlign format boxes = torch.tensor([[b, min(xs, xe), min(ys, ye), max(xs, xe), max(ys, ye)]], dtype=torch.float).cuda() # Perform ROI Align on the box containing the line segment aligned_feature = _roi_align(features[[b]], boxes, (output_size, 1)) # Reshape into a vector pooled_features.append(aligned_feature.squeeze().view(num_channels, -1)) return torch.stack(pooled_features) # Example usage features = torch.randn((2, 256, 64, 64)).cuda() # Batch size 2, channels 256, spatial dims 64x64 lines = [[(10, 10, 50, 50)], [(20, 20, 70, 70)]] # Two batches, one line per image result = loi_pooling(features, lines) print(result.shape) # Output should be (number_of_lines, channel_dim * output_size) ``` --- #### 总结 LOI Pooling 结合了几何先验知识和深度学习的优势，适用于各种基于线段建模的应用场景。相比传统的方法，它的灵活性更高且更容易集成到现代框架之中。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值