物理化学课程教学与高职育人理念的有机结合

物理化学是化工类专业高职院校学生的一门必修专业课。高职教育要培养高级应用型人才,既要注重理论基础知识的传授,更要注重实践知识的培养,强化学生的实践应用能力,为国家培养技能型人才,从而推动技术型行业的向前运行和社会的全面发展。     

偏移处理在地质雷达衬砌检测中的应用探讨

介绍了地质雷达工作原理,分析了电磁波与地震波传播机制,将地震偏移处理方法应用于地质雷达衬砌检测中。通过实际应用得出合适的偏移处理可改善剖面显示效果,有助于剖面的解释和衬砌内部异常的判断。     

异相催化氧化在以印染废水处理为主的污水处理厂提标改造中的应用

针对城市污水处理厂提标改造,为达到出水COD显著降低的要求,采用技术先进、建设费用低、运行费用经济合理、占地面积小且自动化程度高的异相催化氧化工艺,对以印染废水处理为主的城市污水处理厂的二沉池出水进行现场中试,将出水COD_(Cr)从130 mg/L稳定降至60 mg/L以下。在中试的基础上探索和优化该工艺的最佳运行参数,为污水处理厂提标改造提供设计依据。     

面向早期溢流监测的钻井工程参数仿真建模方法

研究表明,智能识别方法能够有效提高早期溢流监测的准确性,但由于溢流是钻井过程中的小概率事件,现场可获取的溢流样本数据十分有限,限制了智能识别方法的应用。针对该问题,在分析常用溢流监测参数与钻井设计参数、地质相关参数以及钻井工况之间关系的基础上,建立了钻进、起钻、下钻三种工况下常用溢流监测参数的数值模拟模型,为溢流智能识别方法的应用提供数据基础。利用现场实测数据对所建模型进行了验证实验。结果表明:在给定的钻井条件下,仿真得到的数据与现场实测数据间的相似度达到83.85%,具有较高的吻合度;溢流智能识别模型识别准确率较缺乏训练样本的专家经验模型提高了23.1%,识别准确率得到了显著提升。     

卷积神经网络用于关节角度识别与姿势评估

为了快速准确地输出各种工作姿势风险评估结果，提出采用Kinect v2与卷积神经网络识别人体各关节角度，并输出标准姿势风险的评估得分。首先使用亚像素角点提取的棋盘标定算法标定Kinect两个摄像头，其次使用改进后的双边滤波对深度图像去噪，使用卷积神经网络识别人体关节二维位置，结合深度信息获取实际三维坐标并计算人体关节角度，最后输出姿势风险评估得分。通过两种实验分别验证了提出的Kinect角度识别与姿势评估的准确性，表明该方法关节角度识别与姿势风险评估的准确率均较高，是一种低成本、高可靠性的姿势评价方法，具有一定的科学意义和工程应用价值。     

控轧控冷中碳非调质钢的高周疲劳性能

 采用中碳非调质钢制造的轴类等零件常承受交变载荷，因而对钢材疲劳性能具有高的要求。为了评估控轧控冷工艺生产的非调质钢棒材的疲劳性能，利用旋转弯曲疲劳试验机研究了一种常用的钒微合金化中碳非调质钢38MnVS及对比钢38MnS的高周疲劳性能。结果表明，与38MnS钢相比，38MnVS钢中铁素体体积分数增加，组织明显细化；相分析表明约有54%的钒处于M（C，N）相中，且尺寸小于10 nm的M（C，N）粒子质量分数为32%，这些细小粒子的析出强化增量约为116 MPa。38MnVS钢的疲劳极限较38MnS钢提高了62 MPa，提高幅度约为18%；疲劳极限比从38MnS钢的0.43提高到38MnVS钢的0.48。M（C，N）相的析出强化及组织细化是38MnVS钢较38MnS钢具有优异疲劳性能的主要原因，但其疲劳性能仍低于锻态非调质钢。根据试验结果及文献数据，给出了预测铁素体＋珠光体型非调质钢疲劳极限的简便方法。     

变电运维中红外测温技术的实践

现阶段,人民生活和工作最基础的保障就是电力,电力企业应保证电力系统良好的运行,在保证安全的前提下,继续为人民提供高质量的电力能源。但是在电力系统运行的过程中,常常会发生电力发热的问题,其是导致安全事故频发的主要原因之一。其次,就是电力线路老化问题,电力企业在日常工作的过程中,要做好电力设施设备的维修养护工作,保障其高效、安全的运行,这就对工作人员提出了更高的要求,其要在不触电、不靠近、不断电的前提下完成工作,于是,红外测温诊断技术应运而生。     

高性能纤维作为橡胶骨架材料的应用研究

研究聚酰亚胺纤维、芳纶纤维、玄武岩纤维、聚萘二甲酸乙二醇酯(PEN)纤维和聚亚苯基苯并二噁唑(PBO)纤维的工业丝性能及浸胶帘线的力学性能和粘合性能。结果表明:聚酰亚胺纤维和PBO纤维具有较高的强力和模量;聚酰亚胺纤维通过参考芳纶纤维的浸胶液配方进行浸胶处理,帘线与橡胶粘合性能良好;PEN纤维可以直接使用聚对苯二甲酸乙二酯(PET)纤维的浸胶方法进行处理;玄武岩纤维采用优化浸胶液配方进行浸胶处理,完全可以实现帘线与橡胶的良好粘合;PBO纤维采用目前现有浸胶方法较难进行表面接枝处理,与橡胶粘合性能较差。