微波消解-电感耦合等离子体质谱法测定赤泥中稀土总量及分量

针对赤泥内有价稀土元素,建立了一种微波消解溶样-电感耦合等离子体质谱法测定稀土元素总量及分量的方法,并对河南某铝厂赤泥样品内稀土元素进行了测定。通过选择合适的同位素、控制基体质量浓度和选择~(185)Re为内标元素,避免了元素测定中的质谱干扰和非质谱干扰。实验结果表明,在选定条件下0～100 ng/mL稀土元素的质量浓度与其质谱强度呈良好的线性关系,校准曲线线性相关系数为0.9991～0.9999,方法的检出限为0.0001 ng/mL～0.0074 ng/mL。将该方法应用于河南某铝厂产生的赤泥样品内稀土元素总量及分量的测定,7次平行测定结果的相对标准偏差在1.5%～4.7%之间,测定结果的加标回收率在96.2%～107%之间,在国家地质矿产行业标准DZ/T0130-2006第3部分规定的回收率允许限范围内。该方法实现了赤泥内10×10~(-9)～0.1%含量范围内稀土元素的准确测定。     

ATSP:时态网络可视化的自适应时间片划分方法

现有的时态网络可视化方法大多采用等量时间片来可视化网络的演变，不利于时态模式的快速挖掘和发现。为此，根据时态网络固有的特征提出自适应时间片划分方法（Adaptive Time Slice Partition method，ATSP）。在时态网络的两种表示方式（基于事件的表示方式和基于快照的表示方式）的基础上，构建了ATSP的基础模型，同时提出了一种改进模型用来描述事件间隔时间服从长尾分布的时态网络。为了实现时间片的不等量划分，针对探索任务的不同提出了基于时态模式的ATSP规则和基于中心节点的ATSP规则，并提出了实现算法--层次划分算法（Hierarchical Partition algorithm，HP）和增量划分算法（Incremental Partition algorithm，IP）。实验结果表明，ATSP方法比传统的时间片划分方法更能准确地表示网络的时态特征，且该方法应用于可视化时，能有效归纳并展示网络的特征，明显提高了视觉分析的效率。     

热处理对铁掺杂TiO2锐钛矿-金红石相变的影响

采用溶胶-凝胶法制备了纯TiO_2和不同浓度Fe掺杂TiO_2纳米粉末,并对各样品进行了350℃、500℃、650℃的热处理。通过SEM、XRD、EDS、XPS等测试方法对其表面形貌、晶体结构及成分组成进行了表征,研究了热处理温度对Fe掺杂TiO_2相变的影响。实验结果表明:纯TiO_2与Fe-TiO_2在350℃、500℃时均为单一的锐钛矿,650℃时大部分转变为金红石;热处理温度升高有利于锐钛矿向金红石的转变;Fe掺杂后以+3价的形式存在,Fe离子掺杂能够明显减小TiO_2的晶粒尺寸,高浓度的Fe掺杂对锐钛矿-金红石相变有微弱的促进作用。     

大型鸡舍诱导通风系统温度和浓度分布

针对我国集约化养鸡场存在的氨气浓度高、气流组织不佳的问题,根据有限体积法,建立了某一智能鸡舍诱导通风系统的数学模型和物理模型,设置相应的边界条件,采用Airpak软件进行数值模拟,分析了诱导风机的布置参数及鸡舍中空气流动速度、温度以及氨气浓度等因素,研究结果表明,鸡舍中诱导风机的下倾角为15°,纵向间距为12 m,横向间距为7～7.5 m时,采用诱导通风方式能有效解决鸡舍内温度过高与氨气浓度过高的问题,达到良好的通风效果,对改善鸡舍环境品质有显著作用。     

湖南某地区矿山水工环地质勘察特征与深部找矿靶区圈定

在矿产勘查过程中十分重要的几个部分主要包括:矿区水文、工程、环境地质工作等,同样还是评价矿床开采技术条件的支撑。其与矿产资源的经济科学开发以及矿山生产的安全、环保有着直接的联系。如果想要正确的评价矿床开采技术,其中必不可少的一个条件就是水工环的地质资料,与此同时还对矿床进行开发;利用过程当中容易发生的地质灾害或者安全事故的处理决策问题以及矿山地质环境恢复治理方案的制定与实行产生影响。所以,矿区水工环地质工作的程度以及精度,都会使整个矿区的评估与矿床的科学开发利用和规划受到一定的影响。     

4种戊唑醇剂型对大型溞的急性毒性评价

为评价不同剂型戊唑醇对大型溞的急性毒性,筛选出环保剂型,减少农药对生态环境的影响。采用半静态法测定95%戊唑醇TC、50%戊唑醇SC、250 g/L戊唑醇EW、80%戊唑醇WP、85%戊唑醇WG对大型溞的急性毒性,并根据我国农药环境安全评价分级标准进行毒性分级。结果表明,95%戊唑醇TC、50%戊唑醇SC、250 g/L戊唑醇EW、80%戊唑醇WP、85%戊唑醇WG对大型溞的EC_(50)值(48 h)分别为8.396、1.374、3.587、5.989、2.067 mg/L,戊唑醇4种剂型产品对大型溞皆为中等毒。     

基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。