结合苯乙烯质量分数对丁苯橡胶1778力学性能的影响

以2种组分的丁苯橡胶(SBR)1778(门尼黏度为47、环烷油质量分数为27.14%的SBR-1和门尼黏度为49、环烷油质量分数为27.18%的SBR-2)为研究对象,考察了SBR 1778的结合苯乙烯质量分数对其25 min 300%定伸应力(M_(25))、35 min 300%定伸应力(M_(35))、50 min 300%定伸应力(M_(50))、拉伸强度及扯断伸长率的影响。结果表明,随着结合苯乙烯质量分数的升高,SBR 1778的M_(25)、M_(35)、M_(50)及拉伸强度均线性升高,但扯断伸长率线性下降。结合苯乙烯含量每升高1%,SBR-1的M_(25)、M_(35)及M_(50)分别增加0.07,0.04,0.05 MPa,拉伸强度增加约0.08 MPa,扯断伸长率降低约0.49%;SBR-2的M_(25)、M_(35)及M_(50)分别增加0.06,0.04,0.05 MPa,拉伸强度增加约0.08 MPa,扯断伸长率降低约0.57%。     

木片筛余物高得率半化学法清洁制浆技术研究

以太阳纸业备料车间木片筛选碎料（筛余物）为原料，对其烧碱法半化学制浆的实验室工艺和生产试验进行了研究。结果表明，筛余物采用半化学法制浆可获得较高得率和环压强度的纸浆，且用碱量对纸浆性能有显著影响。相对8%NaOH （相对于绝干原料）化学预处理，采用14%NaOH化学预处理结合两段浆浓22%的高浓磨浆工艺，所制半化学浆抄造浆张的裂断长和环压指数分别达2.89 km和9.76 N·m/g，是前者的1.9倍和1.2倍，而且优于现用国内OCC废纸浆抄造浆张；生产试验得到的浆张性能指标与实验室相吻合，其中紧度和环压强度分别达到GB/T 13023—2008瓦楞芯（原）纸AA级和A级优等品要求。     

地质工程一体化在克深24构造高效勘探中的应用

针对库车坳陷克拉苏构造带克深24构造勘探阶段面临的井位部署、钻井提速和完井提产问题,从地质工程一体化角度进行分析。井位部署阶段,预测控制构造的断裂活动性差,有利于油气保存;在地质预测基础上,根据地质力学研究明确了浅层高陡地层、砾石层、泥岩层、膏盐岩层和裂缝性砂岩层5类不同岩层的井壁稳定性,提出钻井液性能优化措施;在完井阶段,根据地质力学特征,制定合理的提产方式,并对改造层段、施工压力、射孔簇等进行优化。根据研究结果陆续上钻克深24井、克深241井等9口井,未发生较严重复杂现象,平均提速39%,创克拉苏构造带最快钻井纪录。完钻的5口井采用不同的方式改造,平均单井日产气量31×10~4m~3,平均无阻流量170×10~4m~3/d,勘探成功率和高产井比例均达到100%.在克深24构造勘探实践中,形成了地质工程一体化研究及应用流程,并融入到井位部署—钻完井工程一体化中,成为解决复杂地质条件下生产难题的有效手段。     

贵州瓮福磷矿英坪矿段A矿层开采技术经济条件

瓮福磷矿英坪矿段A矿层分布于高坪背斜东翼南段向东倾斜的单斜构造中,赋矿地层为上震旦统陡山沱组第二段。结合该矿层地质勘查成果,详细分析了矿床地质特征,并对该矿层的开采技术经济条件进行了探讨。研究表明:该矿层投资偿还期为3 a,投资收益率为73.65%,高于目前国内参考的基准收益率(10%)指标,该矿层未来开采经济效益良好。     

高强度套管在不同钻井液中磨损性能分析

以国内某超深井油田磨损套管为研究对象,使用全尺寸套管磨损试验机,模拟油田钻井工况和钻井液性能,分析几种钻井液下高强度套管磨损的情况。结果表明:在其他条件均相同的情况下,油基、高密度有机盐、高密度饱和盐水、高性能水基钻井液的套管磨损沟槽深度和磨损体积都相差不大;高密度饱和盐水钻井液的初始磨损系数比其他3种钻井液的大,随后急剧下降,最终与其他三种钻井液的磨损系数趋于一致;四种钻井液中,油基钻井液的摩擦因数较小,且相对稳定;重晶石粉的含量过高,磨损后期可能会出现摩擦因数陡增的现象。     

磷酸一铵母液制备工业级磷酸氢二铵的工艺研究

为了增加母液利用途径,实现公司产品多元化,提高产品的附加值及配套装置的多功能化,试验研究了用磷酸一铵母液制备磷酸氢二铵的工艺控制条件。研究发现,用工业级磷酸一铵制备磷酸氢二铵,产品总养分在74%左右,能达到标准HG/T 4132-2010一等品的要求;用磷酸一铵母液制备的全水溶性磷酸氢二铵产品总养分大于57%,能够达到市场需求的要求。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。