有机玻璃与普通玻璃特性对比

本文介绍了有机玻璃(又称PMMA或亚克力)的历史和发展,包括其在20世纪初由德国罗姆-哈斯公司首次制造的过程。文中详细描述了有机玻璃的多种特性,如高度透明性、机械强度高、重量轻及易于加工等特点,并提到了其广泛的应用场景。

有机玻璃是PMMA通俗的名称,又称作 亚克力(Acrylic) 从这个名称看,你未必能知道它是一种什么样的物质,也无从知道它是由什么元素组成的。这种高分子透明材料的化学名称叫聚甲基丙烯酸甲酯,人们常说的亚克力板就是聚甲基丙烯甲酯(PMMA)板材,它是由甲基丙烯酸甲酯单体(MMA)聚合而成。

诞生发展

  1927年,德国罗姆-哈斯公司的化学家在两块玻璃板之间将丙烯酸酯加热,丙烯酸酯发生聚合反应,生成了粘性的橡胶状夹层,可用作防破碎的安全玻璃。当他们用同样的方法使甲基丙烯酸甲酯聚合时,得到了透明度既好,其他性能也良好的有机玻璃板,它就是聚甲基丙烯酸甲酯。

  1931年,罗姆-哈斯公司建厂生产聚甲基丙烯酸甲酯,首先在飞机工业得到应用,取代了赛璐珞塑料,用作飞机座舱罩和挡风玻璃。

  如果在生产有机玻璃时加入各种染色剂,就可以聚合成为彩色有机玻璃;如果加入荧光剂(如硫化锌),就可聚合成荧光有机玻璃;如果加入人造珍珠粉(如碱式碳酸铅),则可制得珠光有机玻璃。

有机玻璃的特性

  ①高度透明性。有机玻璃是目前最优良的高分子透明材料,透光率达到92%,比玻璃的透光度高。称为人造小太阳的太阳灯的灯管是石英做的,这是因为石英能完全透过紫外线。普通玻璃只能透过0.6%的紫外线,但有机玻璃却能透过73%。

  ②机械强度高。有机玻璃的相对分子质量大约为200万,是长链的高分子化合物,而且形成分子的链很柔软,因此,有机玻璃的强度比较高,抗拉伸和抗冲击的能力比普通玻璃高718倍。有一种经过加热和拉伸处理过的有机玻璃,其中的分子链段排列得非常有次序,使材料的韧性有显著提高。用钉子钉进这种有机玻璃,即使钉子穿透了,有机玻璃上也不产生裂纹。这种有机玻璃被子弹击穿后同样不会破成碎片。因此,拉伸处理的有机玻璃可用作防弹玻璃,也用作军用飞机上的座舱盖。

  ③重量轻。有机玻璃的密度为1.18kg/dm3,同样大小的材料,其重量只有普通玻璃的一半,金属铝(属于轻金属)的43%。

  ④易于加工。有机玻璃不但能用车床进行切削,钻床进行钻孔,而且能用丙酮、氯仿等粘结成各种形状的器具,也能用吹塑、注射、挤出等塑料成型的方法加工成大到飞机座舱盖,小到假牙和牙托等形形色色的制品。

有机玻璃的用途

其实,我最在意的是它们的“透紫外线率”。。。我觉得这点在感光制板中有很大的作用。。。。。

【多种改进粒子群算法进行比较】基于启发式算法的深度神经网络卸载策略研究【边缘计算】(Matlab代码实现)内容概要:本文围绕“基于多种改进粒子群算法比较的深度神经网络卸载策略研究”展开,聚焦于边缘计算环境下的计算任务卸载优化问题。通过引入多种改进的粒子群优化(PSO)算法,并其他启发式算法进行对比,旨在提升深度神经网络模型在资源受限边缘设备上的推理效率系统性能。文中详细阐述了算法设计、模型构建、优化目标(如延迟、能耗、计算负载均衡)以及在Matlab平台上的代码实现过程,提供了完整的仿真验证结果分析,展示了不同算法在卸载决策中的表现差异。; 适合人群:具备一定编程基础优化算法知识,从事边缘计算、人工智能部署、智能优化等相关领域的科研人员及研究生;熟悉Matlab仿真工具的开发者。; 使用场景及目标:①研究边缘计算环境中深度学习模型的任务卸载机制;②对比分析多种改进粒子群算法在复杂优化问题中的性能优劣;③为实际系统中低延迟、高能效的AI推理部署提供算法选型实现参考; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注算法实现细节参数设置,通过复现仿真结果深入理解不同启发式算法在卸载策略中的适用性局限性,同时可拓展至其他智能优化算法的对比研究。
本项目深入探讨了人工智能技术在网络结构解析中的实际运用,重点研究了社交网络环境中潜在连接关系的推断问题。作为网络科学的核心研究方向之一,连接关系推断旨在通过分析现有网络构型来预判可能形成或消失的关联纽带。此项研究对于把握网络演化规律、优化推荐机制以及预判社交网络发展轨迹具有重要价值。 网络结构解析旨在探究复杂系统中各实体间相互关联的模式,其研究范畴涵盖网络构建、特征挖掘、群体划分及动态演变等多个维度。在社交网络场景中,实体代表用户个体,而实体间的关联则映射出用户间的交互行为社会联系。 网络构型特征是解析过程中的关键要素,主要包括:连接度(节点其他节点的关联数量)、聚集度(相邻节点间形成连接的概率)、路径距离(节点间最短连通路径)以及中介度(节点在最短路径中的出现频次)。这些特征参数能够有效揭示网络内部结构规律,为连接关系推断提供理论支撑。 在连接关系推断环节,研究重点在于如何基于网络构型特征节点属性来预判新连接产生的可能性。当前普遍采用的智能算法包括逻辑回归、支持向量机、随机森林及神经网络等。各类算法各具特色:逻辑回归具有计算效率高的优势,但在处理复杂非线性关系时存在局限;支持向量机在小样本数据处理方面表现优异,但需要较高的运算资源;随机森林则擅长处理高维数据,并能有效评估特征重要性。 本研究通过系统对比多种智能算法的预测效能,构建了完整的模型训练、交叉验证、参数优化性能评估流程。采用曲线下面积、精准度、查全率平均数等量化指标进行综合评判,从而筛选出最适合特定社交网络环境的预测模型。 该项目通过实践演示了如何运用智能计算方法解析社交网络构型特征,并对潜在连接关系进行科学预判,同时提供了多算法性能对比的实证研究案例。对于致力于网络解析、社交网络研究及智能算法应用的专业人士而言,这项研究具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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