The sensitivity of 20# pipeline steel in gaseous hydrogen environment was evaluated by slow strain rate tensile experiment. The variation of hydrogen embrittlement sensitivity of 20# pipeline steel with hydrogen content was studied. The results show that the tensile strength of hydrogen embrittleness sensitivity index increases gradually, the section shrinkage rises gradually, and the dimple decreases gradually with the increase of hydrogen blending ratio (5%, 15%, 25% and 100%). 105 °C is the maximum temperature for the 20# steel hydrogen trap. The possible gas products in hydrogen embrittlement were calculated by thermodynamics.

This paper introduces a deep learning-based approach for calibrating hardware defects in physical-layer key generation (PKG) tasks, focusing on directional-of-arrival (DoA) based key generation in wireless communication systems. The proposed scheme leverages a novel neural network architecture, incorporating residual and self-attention mechanisms, to accurately map spatial features under coherent signals, thereby significantly reducing bit mismatch rates inherent to antenna array imperfections. Through extensive simulation experiments, the method demonstrates improved robustness and effectiveness over traditional calibration techniques and existing deep-learning models, particularly in environments characterized by defect complexity and signal coherence challenges. Our findings offer a promising avenue for enhancing the security of wireless communications by optimizing the performance of PKG solutions.