Scholar Hub/Chủ đề/#nước biển dâng/
Nước biển dâng là hiện tượng tăng mực nước biển so với mực nước biển trung bình trong một khoảng thời gian nhất định. Hiện tượng này thường xảy ra do thay đổi của các yếu tố như sự kiểm soát thời tiết, hoạt động vận tải trên biển, sự biến đổi của địa hình, hiện tượng El Niño và biến đổi khí hậu. Nước biển dâng có thể gây ra nhiều tác động như lụt lội, xâm nhập mặn, sình lầy và nghiêm trọng hơn là làm tăng nguy cơ mất mát đất đai và những ảnh hưởng đối với sinh thái biển và đời sống của con người.
Nước biển dâng là quá trình tăng mực nước biển trên toàn thế giới. Hiện tượng này được ghi nhận và theo dõi thông qua hệ thống đo lường mực nước biển ở các bãi biển và các trạm đo trên khắp hành tinh.
Có một số nguyên nhân dẫn đến nước biển dâng, bao gồm:
1. Nhiệt đới hóa: Sự tăng nhiệt độ toàn cầu đang gây nên nhiệt đới hóa, là quá trình làm tăng nhiệt độ bề mặt biển. Khi nhiệt độ biển tăng, thì nước biển dãn nở và mực nước tăng lên.
2. Nước đá tan chảy: Sự nóng lên toàn cầu cũng đang làm tan chảy nhanh chóng các mô cao như băng trên Bắc Cực và Nam Cực. Khi nước đá tan chảy, nó trở thành nước biển và góp phần làm tăng mực nước biển.
3. Địa tĩnh học: Hiện tượng núi đồi địa phương và thiên tai có thể ảnh hưởng đến nước biển dâng. Chẳng hạn, sự di chuyển của các bảng đá lớn hoặc động đất có thể làm thay đổi mực nước biển cục bộ trong một thời gian ngắn.
4. Sự biến đổi khí hậu: Biến đổi khí hậu có thể gây ra sự thay đổi đáng kể trong mực nước biển. Việc tăng nhiệt độ và làm tăng lượng nước nóng trong hồ quốc tế cũng có thể góp phần làm tăng mực nước biển.
Nước biển dâng có thể gây ra nhiều tác động đáng kể đối với con người và môi trường biển. Những hệ quả tiềm ẩn bao gồm lụt lội ở các khu vực ven biển, xâm nhập mặn vào nguồn nước ngọt, sình lầy và nứt đất, điều này có thể ảnh hưởng đến nhiều cấu trúc và đồng cỏ ven biển. Nước biển dâng cũng có thể góp phần vào giảm diện tích đất đai và đảo biển, gây mất mát môi trường sống và những sự thay đổi nghiêm trọng cho hệ sinh thái biển.
Microstructures of hot-rolled high-strength steels with significant differences in edge formability Metallurgical and Materials Transactions A: Physical Metallurgy and Materials Science - - Trang 745-760 - 2001
R. D. K. Misra, S. W. Thompson, T. A. Hylton, A. J. Boucek
The relationship between microstructure and hole expansion was investigated for three industrial mill-processed steels with similar yield strength (about 525 MPa) and total elongation (about 25 pct). The nominal steel composition was (in mass pct) 0.1C, 1.4Mn, 0.1Si, 0.02Al, 0.04Nb, and 0.02Ti; any variations in composition or processing history were unintentional. The microstructures of all steels consisted of about 80 pct of proeutectoid ferrite and 20 pct of a carbon-enriched, high-hardness, low-temperature transformation product (LTTP). Despite these similarities, the hole-expansion values for the steels were 44, 74, and 115 pct. Detailed microstructural characterization revealed significant differences in the LTTPs of the three steels, as well as several important differences in the proeutectoid ferrite grains. Previously reported negative effects of large quantities of martensite, microstructural banding, and a high hardness ratio (LTTP/ferrite) were validated. Different hardness ratios correlated with differences in (1) dislocation substructures of proeutectoid ferrite grains, (2) grain-size distribution, and (3) the fine structure of bainitelike/pearlitelike regions. Superior hole-expansion performance (or edge formability) was associated with a microstructure consisting of 78 pct of uniformly fine-grained proeutectoid ferrite and 22 pct of a bainitelike microconstituent, a minimum amount of microstructural banding, and a low hardness ratio. Tensile-bar fracture surfaces of a material with this microstructure showed the largest amount of microplasticity.
Mass estimation method for intelligent vehicles based on fusion of machine learning and vehicle dynamic model Autonomous Intelligent Systems - - Trang 1-10 - 2022
Zhuoping Yu, Xinchen Hou, Bo Leng, Yuyao Huang
Vehicle mass is an important parameter for motion control of intelligent vehicles, but is hard to directly measure using normal sensors. Therefore, accurate estimation of vehicle mass becomes crucial. In this paper, a vehicle mass estimation method based on fusion of machine learning and vehicle dynamic model is introduced. In machine learning method, a feedforward neural network (FFNN) is used to learn the relationship between vehicle mass and other state parameters, namely longitudinal speed and acceleration, driving or braking torque, and wheel angular speed. In dynamics-based method, recursive least square (RLS) with forgetting factor based on vehicle dynamic model is used to estimate the vehicle mass. According to the reliability of each method under different conditions, these two methods are fused using fuzzy logic. Simulation tests under New European Driving Cycle (NEDC) condition are carried out. The simulation results show that the estimation accuracy of the fusion method is around 97%, and that the fusion method performs better stability and robustness compared with each single method.
