本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。

随着材料科学、结构力学的飞速发展，碳纤维增强复合材料(CFRP)越来越多地应用于航空产品中。
CFRP在生产过程中易于产生分层缺陷，难以利用传统检测方法进行检测。
红外热波成像检测技术能够对脱粘型缺陷进行准确定位及尺寸测量，然而对于深度测量方面还处于初级研究阶段。
利用脉冲红外热成像检测技术对CFRP中不同大小及深度分层缺陷进行检测，通过对不同时刻检测表面的温度时间曲线进行比较与处理测量缺陷大小，通过对对数时间曲线进行二次微分方法测量缺陷深度。
同时，将测量结果与实际缺陷尺寸及深度进行比较，分析此种方法对缺陷大小及深度的检测精度。
检测结果表明，脉冲红外热成像方法对宽深比大于3的缺陷，大小检测精度均低于10%，对缺陷深度的检测精度随深度增加及尺寸减小而降低。

基于宏微观分析的碳纤维增强高分子复合材料强度性能表征

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。