JC/T 2242-2014 外墙外保温系统用水泥基界面剂和填缝剂检测

用于外墙外保温系统中模塑聚苯板、挤塑聚苯板、聚氨酯保温板、酚醛保温板和岩棉保温板的表面处理,以提高与上述保温板材界面粘接强度的材料称为界面剂,对外墙外保温系统陶瓷砖饰面系统的砖缝进行填缝处理的材料称为填缝剂。

JC/T 2242-2014 外墙外保温系统用水泥基界面剂和填缝剂测试项目

测试项目

测试标准

界面剂拉伸粘接原强度

JC/T 2242

界面剂拉伸粘接耐水强度

JC/T 2242

界面剂拉伸粘接耐冻融强度

JC/T 2242

界面剂与保温材料的相容性

JC/T 2242

填缝剂抗折强度

JC/T 2242

填缝剂冻融循环后抗折强度

JC/T 2242

填缝剂吸水率

JC/T 2242

填缝剂拉伸粘接原强度

JC/T 2242

填缝剂拉伸粘接耐水强度

JC/T 2242

填缝剂压折比

JC/T 2242

填缝剂收缩值

JC/T 2242

填缝剂抗泛碱性

JC/T 2242

相关检测标准

GB/T 24264-2009饰面石材用胶粘剂

JC/T 989-2016非结构承载用石材胶粘剂

HG/T 4913-2016橡胶地板用胶粘剂

JC/T 863-2011高分子防水卷材胶粘剂

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法本的流程结构都是通用的;使用的评价方法也本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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