N掺杂纳米TiO_2/电气石复合材料的制备及其光催化性能

以钛酸丁酯为前驱体,尿素为N源,电气石为载体,采用超声辅助溶胶-凝胶法制备N掺杂纳米TiO_2/电气石复合材料。采用XRD,FT-IR,UV-Vis DRS,SEM,EDS等测试技术对复合材料的结构和性能进行表征。分别考察煅烧温度、掺N量、电气石添加量、催化体系等因素对复合材料光催化性能的影响。结果表明:在煅烧温度为500℃,N掺杂量为5%(摩尔分数),电气石添加量为10%(质量分数),催化剂用量为3g/L,500W紫外灯照射条件下,N掺杂纳米TiO_2/电气石复合材料光催化降解TNT(10mg/L)的效果最佳,且具有良好的再生利用性能。     

多波段、自适应智能伪装技术及材料研究进展

工程伪装是现代战争的重要保障和支撑,在现今的信息化、高技术侦察条件下,工程伪装技术和材料正向着多波段、智能化、自适应的方向发展.伪装材料是工程伪装技术的基础,为适应工程伪装技术发展的需求,伪装材料也向着多波段、自适应、轻量化等方向不断革新,并已成为未来战争需求的一项重要课题.     

菱镁矿热分解微分方程的建立

利用TG-DSC热分析技术,对菱镁矿的热分解过程进行了研究。结果表明,菱镁矿的热分解为一步反应。由Kissinger与Ozawa-Doyle两种方程求得菱镁矿热分解反应的表观活化能和指前因子（lg A）分别为177.14 kJ/mol和7.39 s^-1。根据Coats-Redfern方程,用常见的固体热分解机理函数分别进行了多元线性回归,进一步利用Malek法确定了菱镁矿热分解过程属于三维扩散机理D3,并获得了分解过程的微分方程。采用DSC方法测试了碳酸镁的比热容,用最小二乘法拟合曲线,获得其比热容表达式。     

好氧和厌氧条件下Acidithiobacillus ferrooxidans菌对Fe3+氧化FeS2的影响

嗜酸氧化亚铁硫杆菌(Acidithiobacillus ferrooxidans:A.ferrooxidans菌)是目前研究得最多的浸矿细菌,其能量代谢途径复杂多样。在好氧和厌氧气氛下,分别对Fe3+浸出黄铁矿及A.ferrooxidans菌对Fe3+氧化浸出黄铁矿的影响进行了研究,并且利用A.ferrooxidans菌构建微生物燃料电池,研究在不同气氛下A.ferrooxidans菌对电子传递过程的影响。结果表明:在好氧和厌氧气氛下,加菌时的黄铁矿浸出率比无菌时的分别提高了40.03%和27.76%。在好氧和厌氧气氛下,A.ferrooxidans菌均可以提高电子传递速率,进而加快氧化还原反应的进行,说明A.ferrooxidans菌在厌氧环境下,能以Fe3+为电子受体、含还原性硫的黄铁矿为电子供体来进行呼吸作用,获得生命活动所需的能量。在实验结果和前人工作的基础上提出在厌氧情况下,A.ferrooxidans菌进行呼吸作用的一条可能的路线图。     

生物催化氧化锰和黄铁矿的共同浸出

为了探索在微生物存在的条件下氧化锰和硫化矿共同浸出的特点,进行了氧化亚铁硫杆菌在好氧和厌氧条件下对FeS2-MnO2-H2SO4体系的催化浸出实验研究。结果表明,在好氧条件和厌氧条件下,氧化亚铁硫杆菌均可以催化FeS2-MnO2-H2SO4体系的浸出。好氧条件下利于FeS2的浸出,浸出36 h时,在MnO2:FeS2质量比为1:1、5:1、6:1时的浸出率分别为:25.34%、82.89%和82.58%。厌氧条件下,利于MnO2的浸出,浸出36 h时,在MnO2:FeS2质量比为1:1、5:1、6:1时的浸出率分别为:87.76%、85.35%和75.09%。浸出机理是氧化亚铁硫杆菌催化铁离子在二价和三价之间的循环转化,根据实验结果提出了好氧和厌氧条件下,FeS2-MnO2-H2SO4体系的两矿反应模型。     

EV电控系统的CAN总线通信研究与开发

介绍了CAN(ControlAreaNetwork)总线通信原理和通信协议。以芯片MC68376集成CAN控制器为例,阐述了纯电动车EV(ElectricVehicle)电控系统采用SAEJ1939通信协议实现CAN总线通信的设计要点。最后给出了基于CAN通信的EV电动汽车硬件在环仿真系统获得的电机在不同工况下的电流需求特性曲线。实验证明CAN总线通信速率高、准确、可靠性高。     

基于GRA-BP神经网络的锂电池剩余容量估计方法

针对锂电池老化过程中特征不明显、对容量波动点追踪不准确、模型长期使用后精度下降等问题，提出了一种基于灰色关联分析(GRA)-反向传播(BP)神经网络的锂电池剩余容量估计方法。通过GRA筛选出能够表征电池老化的特征量，利用计算机辅助寿命周期工程中心(CALCE)公开的锂电池充放电数据集训练BP神经网络模型，并实现电池剩余容量估计。结果表明，对于同一电池，训练集占80%时，容量衰减的估计误差为2.28%，在训练集仅占20%的情况下，估计误差为5.99%。