一步热解法制备葵花秆基磷掺杂多孔炭及其性能研究

以葵花秆为碳源,植酸为磷掺杂剂和活化剂,采用一步热解法制备磷掺杂多孔炭。讨论浸渍比、活化温度、保温时间对磷掺杂多孔炭得率和碘吸附值的影响,并采用全自动比表面积及孔径分析仪、X射线光电子能谱仪对其孔隙结构、表面化学结构及结合状态进行表征。研究结果表明：随着浸渍比、活化温度、保温时间的增加,葵花秆基磷掺杂多孔炭的碘吸附值呈先增大后减小的趋势;植酸的活化有利于多孔炭比表面积和孔容积的提升;植酸作为磷源,实现了多孔炭的磷掺杂,其磷元素的结合形式为C—PO₃、C—P—O、C₃—PO、C—P=O和C—P。较佳工艺条件即浸渍比(质量比)值2,活化温度900℃,保温时间2 h下制备的磷掺杂多孔炭的比表面积为992.7 m²/g,总孔容积为1.33 cm³/g,碘吸附值为1 099.8 mg/g。     

我国活性炭产业发展典型案例分析——以福建元力活性炭股份有限公司为例

活性炭产业是林业特色资源加工剩余物高效综合利用产业.2018年我国木质活性炭产量超过45万吨,总产值约40亿元,广泛应用于食品、药品、新能源、环境保护、化工、军工等行业,有力支撑国民经济各行业保持高质量可持续发展,保障国家食品和药品安全,切实提升林业产业节能减排和绿色发展水平.福建元力活性炭股份有限公司作为国内活性炭行...     

磷酸法木质活性炭除灰新工艺研究

研究了磷酸在不同加热温度下生成聚合磷酸的水溶性和酸溶性。结果表明：随着加热温度的升高,磷酸形成的聚合磷酸的溶解性下降,水溶解度和酸溶解度分别从98.71%和98.93%降低至73.12%和74.80%。以商品磷酸法木质活性炭为样品,以常规水洗除灰为对照,研究了酸洗、加热洗涤、添加氧化剂次氯酸、离心脱水方式等对活性炭灰分及其吸附性能的影响,并对洗涤后的活性炭样品进行比表面积及孔结构测定,确定了适宜的洗涤条件：洗涤温度为80℃,使用5% HCl并添加次氯酸洗2次,水洗3次,洗涤过程均用离心脱水方式。洗涤过后,活性炭样品的灰分从常规水洗除灰的6.24%降低至1.49%;此时活性炭的比表面积1 503 m²/g、孔径3.656 nm、孔容积1.361 cm³/g、碘吸附值975 mg/g、亚甲基蓝吸附值277.5 mg/g、焦糖脱色率110%,相比水洗除灰均有所增大。因此,活化过程在较低温度下进行并使用上述组合除灰工艺可制备出低灰分磷酸法木质活性炭。     

博弈论与诺贝尔经济学奖

从回顾20年来诺贝尔经济学奖得主、领域及其贡献出发,概括性分析了2005年诺贝尔经济学奖得主罗伯特.奥曼和托马斯.谢林在博弈论领域的贡献.探讨了诺贝尔经济学奖频繁授予博弈论大师的原因.指出了2005年诺贝尔经济学奖的“超经济”意义.     

储能用生物质基先进碳材料的研究进展

简述了生物质基碳材料的储能机理及常用的制备方法；综述了形貌、类石墨结构、孔道以及表面官能团和杂原子掺杂等影响生物质基碳材料储能性能的规律和机理；最后对储能用生物质基碳材料未来的发展趋势和研究方向进行了展望。     

基于时域模型的电-气综合能源系统分布式鲁棒状态估计

高效准确的状态估计(SE)技术是电-气综合能源系统(IEGS)安全稳定运行的关键。现有的IEGS-SE方法常采用有限元差分模型描述气网动态特性。该模型需引入冗余的时空微元，难以兼顾SE精度和计算复杂度。为此，提出一种基于时域模型的IEGS分布式鲁棒SE方法，在保证精度的前提下提升计算效率。首先，基于时域模型推导出以真实节点压强为状态量的气网状态空间模型，实现气网模型的简化和降维。在此基础上，以卡尔曼滤波算法为框架，提出有限边界信息交互的分布式IEGS-SE策略，以解决不同子系统多管理主体之间的信息壁垒问题。最后，利用噪声自适应算法准确跟踪时变噪声参数，提升所提方法的鲁棒性。仿真算例证明，所提方法在保护各子系统隐私的条件下，有效提高了SE精度，抑制了坏数据影响，且计算效率远高于传统有限元差分法。     

综掘面风流调控下的瓦斯与粉尘浓度双目标预测模型研究

针对综掘面瓦斯和粉尘浓度预测能力不足，导致瓦斯粉尘积聚难以提前解决，造成风筒出风口风流调控降尘排瓦效果不佳的问题，采用层次分析法确定了瓦斯和粉尘浓度分布的关键影响因素，建立了7-11-3结构的双目标预测神经网络模型，并进行出风口距端头5 m和10 m工况下的应用测试，结果表明：模型误差率最大9.85%，最小0.27%。瓦斯浓度最高降低了45%，粉尘浓度最高降低了40%，有效预防了瓦斯和粉尘浓度的积聚问题。     

基于CEEMDAN模糊熵CNN轴承故障诊断研究

为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息，提高故障诊断识别与分类精度，基于模糊熵(Fuzzy Entropy, FE)理论，提出了一种自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network, CNN)结合的故障诊断方法，充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势。通过循环抽样求取原始信号模糊熵，利用CEEMDAN方法分解，再由皮尔森相关系数筛选最佳分量组，最终将其输入CNN进行故障诊断，并采用t-SNE流行学习算法进行聚类可视化。其结果证实了不同工况下，相比经验模态分解模糊熵、集合经验模态分解模糊熵方法，所提方法具有更强的鲁棒性与泛化性，且t-SNE可视化使结果更直观。