【小呆的力学笔记】弹塑性力学的初步认知六:后继屈服条件

news2024/11/26 9:43:50

文章目录

      • 4. 后继屈服条件
        • 4.1 后继屈服条件
        • 4.2 强化模型
          • 4.2.1 等向强化模型
          • 4.2.2 随动强化模型
          • 4.2.3 两种强化模型的讨论

4. 后继屈服条件

4.1 后继屈服条件

上一章节的屈服条件是在当材料未经受任何塑性变形时且在载荷作用下材料第一次进入屈服应该满足的条件(也叫初始屈服条件),那么对于材料进入屈服后继续加载,材料性能会遵循什么样的规则呢?

回顾在材料的单向拉伸力学试验的讨论中,由下图1应力应变曲线,其中下图1左图为多晶材料的应力应变曲线,存在包晶格效应,表现为一个方向强化对应另一个方向的弱化,右图则没有。不管时哪种应力应变曲线,当材料受到载荷作用时,应力应变先线性增加,到达 σ s \sigma_s σs时,材料进入屈服,随着载荷的进一步增加,应力应变曲线从A点到达M点,此时,如果卸去全部载荷,应力应变遵循MO’卸载到应力为零,再重新加载时,材料应力应变就会沿O’MD变化。那么就相当于M点的应力 σ s ′ \sigma_s^{'} σs变成了新的屈服极限了,称此为后继屈服点。

同时,材料从OAM到M和从O’M到M,M的应力应变状态是一致的,因此材料载荷连续增加从A增加到M,就可以理解为考虑了塑性变形后材料再从O’M增加到M。那么后继屈服条件方程形式与初始屈服条件应为一致,只需把 σ s \sigma_s σs换成 σ s ′ \sigma_s^{'} σs即可。
在这里插入图片描述

图 1 加载 / 卸载应力应变曲线 图1\quad 加载/卸载应力应变曲线 1加载/卸载应力应变曲线

对于一般应力状态( σ i j \sigma_{ij} σij),在初始屈服之后遵循规则同单向拉伸一致,即在一般应力状态在初始屈服之后同样满足后继屈服条件,与单向应力状态不同的是,此时后继屈服不是一个点,而是一个面。

我们可以这么想,AM阶段是弹性,那么M就是AM的初始屈服条件了,那么显然可以参考初始屈服条件的形式,此时后继屈服条件也可以写成如下形式
f ( σ i j , ξ β ) = 0 (1) f(\sigma_{ij},\xi_\beta)=0\tag{1} f(σij,ξβ)=0(1)
ξ β \xi_\beta ξβ为内变量,与材料的塑性变形历史相关。当 ξ β = 0 \xi_\beta=0 ξβ=0时,上式就会化为上章节的屈服条件。随着 ξ β \xi_\beta ξβ的变化,后继屈服条件的大小、形状和位置都可能会产生变化。因此后继屈服面是一系列的曲面。

当应力位于屈服曲面内时,应力和应变呈现弹性特点,不产生新的塑性变形,因此 ξ β \xi_\beta ξβ不变化,当应力位于屈服曲面上
,当载荷继续增加时,应力的变化会增加新的塑性变形,因此会引起内变量的改变,此时会形成新的屈服曲面
f ( σ i j + d σ i j , ξ β + d ξ β ) = f ( σ i j , ξ β ) + d f ( σ i j + d σ i j , ξ β + d ξ β ) = 0 (2) f(\sigma_{ij}+d\sigma_{ij},\xi_\beta+d\xi_\beta)=f(\sigma_{ij},\xi_\beta)+df(\sigma_{ij}+d\sigma_{ij},\xi_\beta+d\xi_\beta)=0\tag{2} f(σij+dσij,ξβ+dξβ)=f(σij,ξβ)+df(σij+dσij,ξβ+dξβ)=0(2)

那么,有
d f ( σ i j + d σ i j , ξ β + d ξ β ) = ∂ f ∂ σ i j d σ i j + ∂ f ∂ ξ β d ξ β = 0 (3) df(\sigma_{ij}+d\sigma_{ij},\xi_\beta+d\xi_\beta)=\frac{\partial f}{\partial \sigma_{ij}}d\sigma_{ij}+\frac{\partial f}{\partial \xi_{\beta}}d\xi_{\beta}=0\tag{3} df(σij+dσij,ξβ+dξβ)=σijfdσij+ξβfdξβ=0(3)
这就是屈服条件的一致性条件。

4.2 强化模型

观察应力应变曲线,材料在超过屈服后有强化阶段,因此后继屈服条件总是与初始屈服条件不一样,为了描述这种材料行为,人们建立了多种强化模型,其中最典型的有等向强化模型和随动强化模型。

4.2.1 等向强化模型

在等向强化模型中,材料进入塑性后在一个方向的应力强化,在相反方向同样进行了强化,同时认为两者的同量强化,即M点和M’点应力绝对值相等。这相当于后继屈服曲面在应力空间中是初始屈服曲面的相似扩大,中心位置和形状都与初始屈服曲面一致。
在这里插入图片描述
图 2 等向强化的加载 / 卸载应力应变曲线 图2\quad 等向强化的加载/卸载应力应变曲线 2等向强化的加载/卸载应力应变曲线
回顾初始屈服条件,其方程具备以下形式
f ( σ i j ) = f ∗ ( σ i j ) − k = 0 (4) f(\sigma_{ij})=f^*(\sigma_{ij})-k=0\tag{4} f(σij)=f(σij)k=0(4)
那么等向强化模型的后继屈服条件方程具备以下形式
f ( σ i j , ξ β ) = f ∗ ( σ i j ) − k ( ξ β ) = 0 (5) f(\sigma_{ij},\xi_\beta)=f^*(\sigma_{ij})-k(\xi_\beta)=0\tag{5} f(σij,ξβ)=f(σij)k(ξβ)=0(5)
一般常将内变量 ξ β \xi_\beta ξβ取为等效塑性应变增量
d ξ β = 2 3 d ε k l p d ε k l p (6) d\xi_\beta=\sqrt{\frac{2}{3}d\varepsilon_{kl}^pd\varepsilon_{kl}^p}\tag{6} dξβ=32dεklpdεklp (6)
或者塑性功增量
d ξ β = σ k l d ε k l p = d W p (7) d\xi_\beta=\sigma_{kl}d\varepsilon_{kl}^p=dW^p\tag{7} dξβ=σkldεklp=dWp(7)
并且,当 ξ β = 0 \xi_\beta=0 ξβ=0时,式(4)就退化为式(3),即 k ( ξ β = 0 ) = k k(\xi_\beta=0)=k k(ξβ=0)=k

以Mise屈服条件为例,回顾Mise屈服条件,有 σ ‾ − σ s = 0 \overline\sigma-\sigma_s=0 σσs=0,那么对应的后继屈服条件方程为
f ( σ i j , ξ β ) = σ ‾ − k ( ξ β ) = 0 k ( ξ β = 0 ) = σ s (8) \begin{aligned} f(\sigma_{ij},\xi_\beta)=\overline\sigma-k(\xi_\beta)=0\\ k(\xi_\beta=0)=\sigma_s \end{aligned}\tag{8} f(σij,ξβ)=σk(ξβ)=0k(ξβ=0)=σs(8)

当内变量 ξ β \xi_\beta ξβ取为等效塑性应变增量, k ( ξ β ) k(\xi_\beta) k(ξβ)可以有单向拉伸试验确定。事实上当
d ξ β = d ε 1 p d\xi_\beta=d\varepsilon_{1}^p dξβ=dε1p
在单向拉伸试验中,主应力方向1为拉伸方向,在试验过程中始终不变,因此
ξ β = ∫ d ε 1 p = ε 1 p \xi_\beta=\int d\varepsilon_{1}^p=\varepsilon_{1}^p ξβ=dε1p=ε1p
k ( ξ β ) = k ( ε 1 p ) k(\xi_\beta)=k(\varepsilon_{1}^p) k(ξβ)=k(ε1p)确定过程如下图3,下图3左图为单向拉伸应力应变曲线,下图3右图为单向拉伸应力应变曲线去除弹性应变分量,其中在图3中左图切线斜率就是模量E’,图3中右图切线斜率就是前文中提到过的h,不难知道其实 k ( ε 1 p ) = h k(\varepsilon_{1}^p)=h k(ε1p)=h
在这里插入图片描述

图 3 单向拉伸试验应力应变曲线 图3\quad 单向拉伸试验应力应变曲线 3单向拉伸试验应力应变曲线

4.2.2 随动强化模型

等向强化模型不符合很多材料的力学特征,很多材料存在一个方向上强化,其相反方向弱化的特点(即包氏效应),因此对此提出随动强化模型。随动强化模型假设材料一个方向上强化,其相反方向弱化同等数量,即如下图所示,其后继屈服点M与反方向后继屈服点M’的差值保持不变,等于2 σ s \sigma_s σs,那么不难发现其实在应力空间中,就是初始屈服曲面的位置平动形成一系列随动强化模型下的后继屈服曲面。

在这里插入图片描述
图 4 随动强化的加载 / 卸载应力应变曲线 图4\quad 随动强化的加载/卸载应力应变曲线 4随动强化的加载/卸载应力应变曲线

那么后继屈服条件的方程为
f ( σ i j , ξ β ) = f ∗ ( σ i j − α i j ) − k = 0 (9) f(\sigma_{ij},\xi_\beta)=f^*(\sigma_{ij}-\alpha_{ij})-k=0\tag{9} f(σij,ξβ)=f(σijαij)k=0(9)
其中 α i j \alpha_{ij} αij为内变量 ξ β \xi_\beta ξβ的分量形式,当 α i j = 0 \alpha_{ij}=0 αij=0时,上式退化为初始屈服条件方程,因此其意义就是表示屈服曲面中心平移的度量。不同的 α i j \alpha_{ij} αij演化规律又对应不同的随动强化模型,典型如下
(1)线性随动强化模型
α ˙ i j = c ε ˙ i j p (10) \dot\alpha_{ij}=c\dot\varepsilon_{ij}^p\tag{10} α˙ij=cε˙ijp(10)
式中c是一个材料相关常数。式(9)其实也可以写成增量的形式
d α i j = c d ε i j p (10’) d\alpha_{ij}=cd\varepsilon_{ij}^p\tag{10'} dαij=cdεijp(10’)
观察式(10),此式中为各分量形式,因此能够直接积分(塑性等效应变不能直接积分,因为在变形过程中方向会有变化),得到
α i j = c ε i j p (11) \alpha_{ij}=c\varepsilon_{ij}^p\tag{11} αij=cεijp(11)
代入式(9),那么有
f ( σ i j , ξ β ) = f ∗ ( σ i j − c ε i j p ) − k = 0 (12) f(\sigma_{ij},\xi_\beta)=f^*(\sigma_{ij}-c\varepsilon_{ij}^p)-k=0\tag{12} f(σij,ξβ)=f(σijcεijp)k=0(12)
以Mise屈服条件为例,其方程为
f ( σ i j , ξ β ) = f ∗ ( σ i j − c ε i j p ) − k = σ ‾ ( σ i j − c ε i j p ) − k = 0 (13) f(\sigma_{ij},\xi_\beta)=f^*(\sigma_{ij}-c\varepsilon_{ij}^p)-k=\overline\sigma(\sigma_{ij}-c\varepsilon_{ij}^p)-k=0\tag{13} f(σij,ξβ)=f(σijcεijp)k=σ(σijcεijp)k=0(13)
其中等效应力 σ ‾ \overline\sigma σ如下所示

σ ‾ ( σ i j − c ε i j p ) = 3 2 ( s i j − c ε i j p ) ( s i j − c ε i j p ) (14) \overline\sigma(\sigma_{ij}-c\varepsilon_{ij}^p)=\sqrt{\frac{3}{2}(s_{ij}-c\varepsilon_{ij}^p)(s_{ij}-c\varepsilon_{ij}^p)}\tag{14} σ(σijcεijp)=23(sijcεijp)(sijcεijp) (14)
其中 k k k就是 σ s \sigma_s σs

在简单拉伸时, σ i j 、 s i j 、 ε i j p \sigma_{ij}、s_{ij}、\varepsilon_{ij}^p σijsijεijp如下非零项
σ 11 = σ , s 11 = σ 11 − σ m = 2 3 σ , s 22 = s 33 = − 1 3 σ ; ε 11 p = ε p , ε 22 p = ε 33 p = − 1 2 ε p ( 塑性时泊松比为 1 2 ) \sigma_{11} = \sigma,s_{11} = \sigma_{11} - \sigma_{m}=\frac{2}{3}\sigma, s_{22}=s_{33}=-\frac{1}{3}\sigma;\\ \varepsilon_{11}^p=\varepsilon^p,\varepsilon_{22}^p=\varepsilon_{33}^p=-\frac{1}{2}\varepsilon^p(塑性时泊松比为\frac{1}{2}) σ11=σ,s11=σ11σm=32σ,s22=s33=31σ;ε11p=εp,ε22p=ε33p=21εp(塑性时泊松比为21)
代入式(14),有
σ ‾ = 3 2 ( s i j − c ε i j p ) ( s i j − c ε i j p ) = 3 2 [ ( s 11 − c ε 11 p ) 2 + ( s 22 − c ε 22 p ) 2 + ( s 33 − c ε 33 p ) 2 ] = 3 2 [ ( 2 3 σ − c ε p ) 2 + ( − 1 3 σ + c ⋅ 1 2 ε p ) 2 + ( − 1 3 σ + c ⋅ 1 2 ε p ) 2 ] = 3 2 ( 2 3 σ 2 − 2 σ c ε p + 3 2 c 2 ⋅ ( ε p ) 2 ) = 3 2 ⋅ 2 3 ( σ 2 − 3 σ c ε p + 9 4 c 2 ⋅ ( ε p ) 2 ) = σ − 3 2 c ⋅ ε p (15) \begin{aligned} \overline\sigma&=\sqrt{\frac{3}{2}(s_{ij}-c\varepsilon_{ij}^p)(s_{ij}-c\varepsilon_{ij}^p)}\\ &=\sqrt{\frac{3}{2}[(s_{11}-c\varepsilon_{11}^p)^2+(s_{22}-c\varepsilon_{22}^p)^2+(s_{33}-c\varepsilon_{33}^p)^2]}\\ &=\sqrt{\frac{3}{2}[(\frac{2}{3}\sigma-c\varepsilon^p)^2+(-\frac{1}{3}\sigma+c\cdot\frac{1}{2}\varepsilon^p)^2+(-\frac{1}{3}\sigma+c\cdot\frac{1}{2}\varepsilon^p)^2]}\\ &=\sqrt{\frac{3}{2}(\frac{2}{3}\sigma^2-2\sigma c\varepsilon^p+\frac{3}{2}c^2\cdot(\varepsilon^p)^2)}\\ &=\sqrt{\frac{3}{2}\cdot\frac{2}{3}(\sigma^2-3\sigma c\varepsilon^p+\frac{9}{4}c^2\cdot(\varepsilon^p)^2)}\\ &=\sigma-\frac{3}{2}c\cdot\varepsilon^p \end{aligned}\tag{15} σ=23(sijcεijp)(sijcεijp) =23[(s11cε11p)2+(s22cε22p)2+(s33cε33p)2] =23[(32σcεp)2+(31σ+c21εp)2+(31σ+c21εp)2] =23(32σ22σcεp+23c2(εp)2) =2332(σ23σcεp+49c2(εp)2) =σ23cεp(15)
将上式代入式(13),有
f ( σ i j , ξ β ) = σ ‾ ( σ i j − c ε i j p ) − k = σ − 3 2 c ⋅ ε p − σ s = 0 (16) f(\sigma_{ij},\xi_\beta)=\overline\sigma(\sigma_{ij}-c\varepsilon_{ij}^p)-k=\sigma-\frac{3}{2}c\cdot\varepsilon^p-\sigma_s=0\tag{16} f(σij,ξβ)=σ(σijcεijp)k=σ23cεpσs=0(16)

σ = σ s + 3 2 c ⋅ ε p (17) \sigma=\sigma_s+\frac{3}{2}c\cdot\varepsilon^p\tag{17} σ=σs+23cεp(17)

前面章节,由简单拉伸的应力应变曲线
σ = σ s + h ε p (18) \sigma=\sigma_s+h\varepsilon^p\tag{18} σ=σs+hεp(18)
得出 c = 2 3 h c=\frac{2}{3}h c=32h

(2)Ziegler模型

α ˙ i j = η ˙ ( σ i j − α i j ) ( η ˙ > 0 ) (19) \dot\alpha_{ij}=\dot\eta(\sigma_{ij}-\alpha_{ij})(\dot\eta\gt0)\tag{19} α˙ij=η˙(σijαij)(η˙>0)(19)
其增量型方程为
d α i j = d η ⋅ ( σ i j − α i j ) ( d η > 0 ) (19’) d\alpha_{ij}=d\eta\cdot(\sigma_{ij}-\alpha_{ij})(d\eta\gt0)\tag{19'} dαij=dη(σijαij)(dη>0)(19’)
上式代入一致性条件,可得
∂ f ∂ ( σ i j − α i j ) ⋅ ∂ ( σ i j − α i j ) ∂ σ i j d σ i j + ∂ f ∂ ( σ i j − α i j ) ⋅ ∂ ( σ i j − α i j ) ∂ α i j d α i j = ∂ f ∂ ( σ i j − α i j ) ⋅ 1 ⋅ d σ i j + ∂ f ∂ ( σ i j − α i j ) ⋅ − 1 ⋅ d α i j = 0 (20) \begin{aligned} &\frac{\partial f}{\partial (\sigma_{ij}-\alpha_{ij})}\cdot\frac{\partial (\sigma_{ij}-\alpha_{ij})}{\partial \sigma_{ij}}d\sigma_{ij}+\frac{\partial f}{\partial (\sigma_{ij}-\alpha_{ij})}\cdot\frac{\partial (\sigma_{ij}-\alpha_{ij})}{\partial \alpha_{ij}}d\alpha_{ij}\\ =&\frac{\partial f}{\partial (\sigma_{ij}-\alpha_{ij})}\cdot1\cdot d\sigma_{ij}+\frac{\partial f}{\partial (\sigma_{ij}-\alpha_{ij})}\cdot -1 \cdot d\alpha_{ij}=0 \end{aligned}\tag{20} =(σijαij)fσij(σijαij)dσij+(σijαij)fαij(σijαij)dαij(σijαij)f1dσij+(σijαij)f1dαij=0(20)
随动强化模型后继屈服条件的方程有
f ( σ i j , ξ β ) = f ∗ ( σ i j − α i j ) − k = 0 f(\sigma_{ij},\xi_\beta)=f^*(\sigma_{ij}-\alpha_{ij})-k=0 f(σij,ξβ)=f(σijαij)k=0
因此,有
∂ f ∂ ( σ i j − α i j ) = ∂ f ∂ σ i j = ∂ f ∗ ∂ σ i j (21) \frac{\partial f}{\partial (\sigma_{ij}-\alpha_{ij})}=\frac{\partial f}{\partial \sigma_{ij}}=\frac{\partial f^*}{\partial \sigma_{ij}}\tag{21} (σijαij)f=σijf=σijf(21)

将上式代入式(20),有
∂ f ∗ ∂ σ i j d σ i j − ∂ f ∗ ∂ σ i j d α i j = ∂ f ∗ ∂ σ i j ( d σ i j − d α i j ) = 0 (22) \frac{\partial f^*}{\partial \sigma_{ij}} d\sigma_{ij}-\frac{\partial f^*}{\partial \sigma_{ij}}d\alpha_{ij}=\frac{\partial f^*}{\partial \sigma_{ij}}( d\sigma_{ij}-d\alpha_{ij})=0\tag{22} σijfdσijσijfdαij=σijf(dσijdαij)=0(22)
将式(19’)代入上式,则
∂ f ∗ ∂ σ i j ( d σ i j − d α i j ) = ∂ f ∗ ∂ σ i j [ d σ i j − d η ⋅ ( σ i j − α i j ) ] = 0 (23) \frac{\partial f^*}{\partial \sigma_{ij}}( d\sigma_{ij}-d\alpha_{ij})=\frac{\partial f^*}{\partial \sigma_{ij}}[ d\sigma_{ij}-d\eta\cdot(\sigma_{ij}-\alpha_{ij})]=0\tag{23} σijf(dσijdαij)=σijf[dσijdη(σijαij)]=0(23)

d η = ∂ f ∗ ∂ σ i j d σ i j / [ ∂ f ∗ ∂ σ k l ( σ k l − α k l ) ] (24) d\eta=\frac{\partial f^*}{\partial \sigma_{ij}} d\sigma_{ij}/[\frac{\partial f^*}{\partial \sigma_{kl}}(\sigma_{kl}-\alpha_{kl})]\tag{24} dη=σijfdσij/[σklf(σklαkl)](24)
那么, α i j = ∫ d η ⋅ ( σ i j − α i j ) \alpha_{ij}=\int d\eta\cdot(\sigma_{ij}-\alpha_{ij}) αij=dη(σijαij)
同样将上式代入式(13),就可得到相应的后继屈服条件方程
f ( σ i j , ξ β ) = σ ‾ ( σ i j − α i j ) − k = 0 f(\sigma_{ij},\xi_\beta)=\overline\sigma(\sigma_{ij}-\alpha_{ij})-k=0 f(σij,ξβ)=σ(σijαij)k=0
具体形式先不展开了,因为在暂时用不上。

4.2.3 两种强化模型的讨论

π \pi π平面上,两种模型的形象比较,下图中C1为初始Mise屈服条件的屈服曲线,C2为等向强化模型的初始Mise屈服条件的屈服曲线,C3为随动强化模型的初始Mise屈服条件的屈服曲线,其中 α \alpha α α i j \alpha_{ij} αij

图中可以看出等向强化模型对应屈服面等比例扩大,但是中心位置不变,随动强化对应的是中心位置的移动,但是半径不变。

在这里插入图片描述
图 5 两种强化模型的屈服曲线( π 平面) 图5\quad 两种强化模型的屈服曲线(\pi平面) 5两种强化模型的屈服曲线(π平面)

Ivey曾对铝合金薄圆管进行了拉扭实验,但随着剪应力的增加,整个后继屈服面都向剪应力增加的方向移动,接近于随动强化模型。
在这里插入图片描述
图 6 实验的后继屈服曲线 图6\quad 实验的后继屈服曲线 6实验的后继屈服曲线

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1561240.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Vscode + PlatformIO + Arduino 搭建EPS32开发环境

Vscode PlatformIO Arduino 搭建EPS32开发环境 文章目录 Vscode PlatformIO Arduino 搭建EPS32开发环境1. Vscode插件安装2. 使用PlatformIO新建工程3.工程文件的基本结构4.一个基本的测试用例Reference 1. Vscode插件安装 如何下载vscode这里不再赘述,完成基本…

LeetCode-热题100:160. 相交链表

给你两个单链表的头节点 headA 和 headB ,请你找出并返回两个单链表相交的起始节点。如果两个链表不存在相交节点,返回 null 。 图示两个链表在节点 c1 开始相交: 题目数据 保证 整个链式结构中不存在环。 注意,函数返回结果后&…

异常,Lambda表达式

文章目录 异常介绍存在形式程序中异常发生后的第一反应体系JVM的默认处理方案处理方式声明 throws概述格式抛出 throw格式注意意义 throws和throw的区别 捕获 try,catch介绍格式执行方式多异常捕获处理意义 如何选择用哪个 Throwable类介绍常用方法 自定义异常概述实现步骤范例…

2_3.Linux系统中的日志管理

# 1.journald # 服务名称:systemd-journald.service journalctl 默认日志存放路径: /run/log (1) journalctl命令的用法 journalctl -n 3 ##日志的最新3条--since "2020-05-01 11:00:00" ##显示11:00后的日…

Mysql的高级语句3

目录 一、子查询 注意:子语句可以与主语句所查询的表相同,但是也可以是不同表。 1、select in 1.1 相同表查询 1.2 多表查询 2、not in 取反,就是将子查询结果,进行取反处理 3、insert into in 4、update…

LeetCode226:反转二叉树

题目描述 给你一棵二叉树的根节点 root ,翻转这棵二叉树,并返回其根节点。 解题思想 使用前序遍历和后序遍历比较方便 代码 class Solution { public:TreeNode* invertTree(TreeNode* root) {if (root nullptr) return root;swap(root->left, root…

vue 文件下载

1.返回路径下载 注: 针对一些浏览器无法识别的文件格式(如pdf、xls、ppt)。可以直接在地址栏上输入URL即可触发浏览器的下载功能。 情况1 //地址栏输入文件URLwindow.location.href URLwindow.open(URL) 注:该方式将下载逻辑放在后端处理&#xff0c…

Learning Discriminative Representations for Skeleton Based Action Recognition

标题:基于骨架的动作识别的学习判别性表示 原文链接:Learning Discriminative Representations for Skeleton Based Action Recognition (thecvf.com) 源码链接:https://github.com/zhysora/FR-Head 发表:CVPR 摘要 最近&…

后端返还二进制excl表格数据时候,如何实现在前端下载表格功能及出现表格打开失败的异常处理。

背景: 后端返还一个二进制流的excl表格数据,前端需要对其解析,然后可提供给客户进行下载。 思路:把二进制流数据转换给blob对象,然后利用a标签进行前端下载。 代码: 后端返还 类似如下的数据 前端代码…

OpenHarmony实战:Hilog组件在交互时应用指南

一、OpenHarmony hilog 组件工具概述 hilog 是 OpenHarmony 日志系统,提供给系统框架、服务、以及应用打印日志,记录用户操作、系统运行状态等。适用于 OpenHarmony 应用、硬件开发及测试人员,是每个开发人员的必备、入门工具。 hilog 日志查看命令行工…

3.28号系统移植

系统移植就是给开发板搭建一个linux操作系统 1. 安装tftp服务器 tftp服务器作用:将ubuntu中指定的文件下载到开发板中 安装步骤 1. 首先需要保证ubuntu组网成功 2. 安装tftp服务器安装包 3. 在家目录下,创建tftpboot文件夹,并且添加最高…

5.11 Vue配置Element UI框架

Vue配置Element UI框架 目录一、 概要二、 开发前准备1. 搭建Vue框架 三、 安装 Element UI1. 引入 Element UI 依赖2. 在 main.js 中引入 Element UI 和相关样式:3. 按需引入(非必须, 可忽略)4. 简单构建一个主页面 目录 一、 概要 Element UI 是一个基于 Vue.js …

【算法】01背包问题(代码+详解+练习题)

题目: 有 N 件物品和一个容量是 V 的背包。每件物品只能使用一次。 第 i 件物品的体积是 vi,价值是 wi。 求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。 输出最大价值。 输入格式 第一行两个整…

代码随想录算法训练营第二十七天|131.分割回文串、93.复原IP地址

文档链接:https://programmercarl.com/ LeetCode131.分割回文串 题目链接:https://leetcode.cn/problems/palindrome-partitioning/ 思路:把回溯的树画出来就好很多。startIndex用来控制切割的位置 例如对于字符串abcdef: 组…

【T5模型源码】深入T5模型:源码解析与实现细节

【T5模型源码】深入T5模型:源码解析与实现细节 文章脉络 模型结构图 类关系分析 简单类的源码 T5LayerNorm T5DenseActDense T5DenseGatedActDense T5LayerFF 复杂类的源码 常见参数介绍 最难的T5Attention源码 常见面试提问 总结 我们在日常业务中可能…

上传本地项目到gitee仓库(简单快速)

目录 前提准备 1.已经下载好git Bash 2.已经注册好gitee账号 3.在gitee上新建一个仓库 上传项目到gitee 1.找到本地需要传的文件目录 2.在本页面右键空白处,点击Git Bash Here 3.检查gitee账号是否存在或是否正确 4.若不正确或不存在则配置用户名和邮箱 5…

Matlab|【核心复现】同时考虑考虑孤岛与重构的配电网故障恢复运行策略

目录 主要内容 基本知识 1.问题引出 2.可控负荷 3.网络拓扑约束 4.算法流程 结果一览 1.原文结果 2.程序运行结果 下载链接 主要内容 该模型复现文章《同时考虑考虑孤岛与重构的配电网故障恢复运行策略》,以IEEE33配电网为分析对象,…

OceanMind海睿思数据工程2.0重磅发布,赋能企业“韧性”成长!

近日,由江苏省工业和信息化厅指导,江苏省企业信息化协会主办的 2024制造业数字化转型南京高峰论坛 圆满落幕。 中新赛克海睿思 作为长三角地区数字化转型优秀厂商代表受邀参会,并发布全新数据工程系列产品。中新赛克副总兼大数据产品线总经理…

python print用法

1.输出字符串换行 输出结果会换行,默认自带换行 print(111) print(0) 2.末尾插入字符串或去除换行 末尾只能插入字符串,不能是其他类型 print(111,end0) print(0) 3.变量,字符串混合输入 没有必要什么都学,好用的常用的学一…

设计定时任务实现数据同步的最佳实践

✨✨ 祝屏幕前的您天天开心,每天都有好运相伴。我们一起加油!✨✨ 🎈🎈作者主页: 喔的嘛呀🎈🎈 目录 引言 一、选择合适的定时任务框架 Quartz Spring 的 TaskScheduler JDK 的 ScheduledE…