定氮催化剂产品介绍

定氮催化剂产品是北京市粮食科学研究院20世纪90年代研发的产品。在乳品、饲料、食品、面粉、啤酒等行业应用非常广泛。有几百家的大型企业、科研院所、大专院校在使用本产品。     

界首水文站自动流量比测分析

文章通过对二线能坡法流量自动监测系统获取的流量数据与实测流量数据进行比测和分析,证明了自动流量数据的可靠性,为获取流量数据提供了新的途径.     

基于电沉积法回收废水中铝离子的最佳工艺参数分析

基于电沉积法,针对某铝箔生产企业所产生的高含铝离子废水,通过不同峰值电流密度下形成的电沉积试样的相关电化学曲线测试结果和镀层中的Al质量分数分析,确定所采用电沉积法的最佳峰值电流密度为9 A·dm-2,此时沉积层中铝质量分数为33.21％,原子数量占比为24.69％.     

巴斯夫推出基于可再生原料的增塑剂产品组合

巴斯夫已开始向PVC行业提供部分基于循环原料的增塑剂组合。对于这种新的增塑剂组合,在价值链的开始阶段,使用可再生或化学循环原料代替化石资源。替代原料根据质量平衡法分配到销售产品中。巴斯夫的生物质平衡(BMB)增塑剂基于可再生原料,名称为Hexamoll■DINCH BMB、Palatinol■N BMB、Palatinol■10-P BMB和Plastomoll■DOA BMB,使用所需数量的生物石脑油或沼气代替化石资源。这些材料来自有机废物或植物油。生物质平衡增塑剂比传统增塑剂的碳足迹更低,有助于节约化石资源。巴斯夫的质量平衡方法和BMB增塑剂都是根据REDcert2认证的。     

动态限星算法对RTK定位的耗时改进

差分卫导实时动态定位(RTK)依靠 Kalman 滤波功能的实现，当滤波器阶数过高时，会带来计算量的激增，这就会影响定位的耗时。当运算平台能力有限却需要较低的计算时间耗时，动态限星算法能够有效地将 RTK 的计算耗时降低至合适的耗时需求。运动平台实测结果表明，动态限星算法优化后的 RTK 定位耗时较优化前减少了 50%。     

多晶硅表面金属催化化学腐蚀法制绒研究现状

在多晶硅太阳能电池的生产过程中, 金刚线切割技术(Diamond wire sawn, DWS)具有切割速度快、精度高、原材料损耗少等优点, 受到了广泛关注。金刚线切割多晶硅表面形成的损伤层较浅, 与传统的酸腐蚀制绒技术无法匹配, 金属催化化学腐蚀法应运而生。金属催化化学腐蚀法制绒具有操作简单、结构可控且易形成高深宽比的绒面等优点, 具有广阔的应用前景。本文总结了不同类型的金属催化剂在制绒过程中的腐蚀机理及其形成的绒面结构, 深入分析和讨论了具有代表性的银、铜的单一及复合催化腐蚀过程及绒面结构和电池片性能。最后对金刚线切割多晶硅片表面的金属催化化学腐蚀法存在的问题进行了分析, 并展望了未来的研究方向。     

视准线法在乌江站水平位移观测中的应用

文章以驷马山引江工程乌江抽水站为例,介绍了视准线法在大型泵站水平位移观测中的应用.     

供水管网DMA优化分区设计方案

实施独立计量分区(district metered area,DMA)是辅助供水管网管理和漏损识别的重要手段.图划分算法是进行DMA分区的方法之一,常规图划分算法应用中,存在解空间受限、分区后原水流状态易发生较大改变、形成较多串联分区(对流量计算不利)的缺点.在常规图划分算法基础上进行了改进:粗化阶段按照特定规则匹配、合并非输水干管两端的节点,形成简化的管网拓扑结构;分区阶段得到管网初步分区方案;细化阶段提出基于贪心算法、枚举算法、蒙特卡洛算法的分区调整方法,结合改进的仪表安置方法、水力模拟、优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS),对分区方案进行调整.将该方法应用于YX市供水管网,成功进行了分区.     

ZnMn2O4/Mn2O3/CNT复合正极材料的制备及其在水系锌离子电池的应用

锰基化合物具备高容量、高能量密度和高工作电压等特性，是水系锌离子电池（AZIBs）商业应用过程中的首选正极材料。然而，材料存在的电导率低、锰溶解、静电斥力效应和结构稳定性差等缺点，严重阻碍其大规模应用。采用表面活性剂辅助溶剂热法成功合成了碳纳米管（CNT）包覆ZnMn2O4/Mn2O3（ZMO/MO）复合材料，并探究了CNT包覆量对材料电化学性能和动力学过程的影响。采用X射线衍射和扫描电子显微镜对材料的结构和形貌进行表征。与纯相ZMO/MO相比，经CNT包覆的正极在0.1 A g-1电流密度下具有良好的循环稳定性和更高的倍率性能。并用循环伏安曲线和电化学阻抗探究了电极的动力学特性，两相复合提高了Zn2 扩散速率，CNT的包覆改善了材料的电荷传递。     

基于可穿戴传感器数据的人体行为识别数据特征提取方法

随着可穿戴设备的发展与普及,基于可穿戴传感数据进行人体行为检测展现了巨大的研究价值.目前大多人类行为识别工作都是基于视频图像展开的,然而,使用计算机视觉技术进行人类行为识别存在2个挑战:一是很难使参与数据采集的人员在自然状态下采集真实状态下的运动数据,在开展数据采集之前往往需要对参与数据采集的人员进行培训并严格规范其采集动作,最终得到的数据将是背离真实生活的数据,其研究价值将大打折扣;二是数据采集过程中还涉及采集人员的隐私保护问题.为此,提出一种基于深度学习的数据特征提取方法.首先在灵活设置卷积核的基础上引入神经网络的分支结构多尺度提取原始数据的深度特征;然后将各分支得到的数据特征进行融合并作为下一个卷积层的输入.实验结果表明,与目前主流方法相比,该方法在MHEALTH,WHARF和USCHAD这3个标准数据集上的准确率和召回率都取得了更好的效果.此外,该方法还在2个较新数据集Stanford-ECM Dataset和DATAEGO上做了验证,结果表明该方法具有较好的泛化能力.