热缩管

今天,快递送来了春节时期订购的热缩管,相比于之前所使用的热缩管,这个热缩管的厚度明显增加了。因此对于它的热缩性感到疑问?它真的如它的广告所说的4倍收缩,带叫防水吗?

下面实际测量看一下热缩管的热缩效果。

热缩管在加热前的尺寸

使用钢尺测量热缩管在热缩之前的外经大约是10mm .
热缩管在热缩前外经大约是10mm

热缩管在热缩前外经大约是10mm

测量热缩管的壁厚,经过放大成像之后,如下图所示。下面是测量钢尺。通过对比钢尺上1mm的像素和热缩管壁厚像素,可以得到热缩管壁厚。
测量热缩管在热缩前的壁厚

测量热缩管在热缩前的壁厚

钢尺1毫米对应放大图像像素为:
N 1 m m = 74 N_{1mm} = 74 N1mm=74

热缩管壁厚对应的放大图像的像素为:
N h s = 36 N_{hs} = 36 Nhs=36

那么热缩管的壁厚为:
L h s = N h s N 1 m m = 36 74 = 0.486 m m L_{hs} = {{N_{hs} } \over {N_{1mm} }} = {{36} \over {74}} = 0.486mm Lhs=N1mmNhs=7436=0.486mm

热缩管加热过程

使用气体打火机对热缩管进行均匀加热,看到热缩收缩过程。

新购买的热缩管的受热收缩过程

新购买的热缩管的受热收缩过程

热缩管收缩后的尺寸

下面是热缩管收缩后的外经变化。外径收缩倍数为:
α o u t = 560 272 = 2.06 \alpha _{out} = {{560} \over {272}} = 2.06 αout=272560=2.06

放大测量热缩前后的外径

放大测量热缩前后的外径

下图显示热缩管在收缩后内径的变化,内径收缩比为:
α i n = 576 128 = 4.5 \alpha _{in} = {{576} \over {128}} = 4.5 αin=128576=4.5

测量热缩前后内径的尺寸

测量热缩前后内径的尺寸

下图显示了热缩后,热缩管的壁厚大约编程了1.5mm。使用手捏热缩管,感到它已经变的相对比较坚硬了。

热缩后,热缩管的壁厚

热缩后,热缩管的壁厚

对比热缩管的性能

下面选择另外早期购买的热缩管,它压扁之后,宽度为14mm。壁厚经过显微测量之后,大约是0.3面。

对比热缩管的尺寸

对比热缩管的尺寸

下面将对比的热缩管使用气体打火机加热使其热缩。

对比热缩管的受热收缩过程

对比热缩管的受热收缩过程

由于对比热缩管在之前呈现扁平状,热缩后,外形编程圆形,所以对比热缩比率的时候,需要考虑到形状对外径的影响。

对比热缩管热缩后的形状

对比热缩管热缩后的形状

经过显微测量,对比热缩管热缩后的外径大约是5.5mm。
热缩管在热缩前的宽度为14mm,那么热缩管的外径长度为28mm。换算成圆形,其直径为:
D = 28 3.14 = 8.91 m m D = {{28} \over {3.14}} = 8.91mm D=3.1428=8.91mm

那么该热缩管热收缩比率为:
α = 8.91 5.5 = 1.62 \alpha = {{8.91} \over {5.5}} = 1.62 α=5.58.91=1.62

结论

新型的热缩管的收缩效能更强了。不对比不知道,一对比吓一跳。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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

打赏作者

卓晴

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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