电感耦合等离子体原子发射光谱法测定稀土镁铸铁中常量及痕量元素

建立了利用电感耦合等离子体原子发射光谱法（ICP-AES法）同时测定稀土镁铸铁中常量及痕量共12种元素(Si,Mn,P,Cu,Mo,V,Ti,Sn,Sb,Mg,La,Ce)的分析方法。研究了稀土镁铸铁试样的前处理方法、优选了适宜的仪器测定参数和分析谱线,采用基体匹配法进行基体效应的校正。实验结果表明,各元素分析谱线线性相关系数大于0.999 0,方法检出限在0.000 12%~0.001 4%之间。方法用于稀土镁铸铁标准物质分析,测定值与认定值相符,测定结果的相对标准偏差在0.59%（Si）～6.9%（La）范围。     

X射线荧光光谱分析铸铁中28种元素

对铸铁的X射线荧光光谱分析方法进行系统的研究,包含C、Mg、Al、Si、Mn、P、S、V、Ti、Cr、Co、Ni、Cu、Zn、As、Se、Zr、Nb、Mo、Sn、Nd、Ce、La、W、Pb、Bi、Te、Sb 28种元素进行测定。试验通过利用国内外21块铸铁标准样品拟合成一套铸铁的通用校准曲线,选择合适谱线和测量条件并进行有效的背景扣除,其中,测定P、S、Mn、Co、As受共存元素谱线重叠干扰的校正系数,解决了元素之间谱线重叠干扰的问题;Pb元素选用Lβ₁谱线做分析线,以避免As元素的谱线干扰;Te、Sb、Sn均选用Kα谱线,并采用高分辨狭缝以提高峰背比;C、Mg采用高灵敏狭缝,有效解决了元素间干扰问题及超轻元素、微量杂质元素的检测难题。方法用于铸铁标准样品中主次元素的检测,测定值与认定值相符,各元素测定结果的相对标准偏差(RSD,n=10)均小于1.5%。     

硫氰酸盐分光光度法快速测定钼铁中钼

研究以高氯酸铁为抑制剂,抗坏血酸为还原剂的硫氰酸盐分光光度法测定高含量钼的方法。钼铁试样用硝酸和高氯酸溶解,硫酸冒烟,盐类溶解后在高氯酸铁的存在下,以抗坏血酸还原Mo(Ⅵ)为Mo(Ⅴ),Mo(Ⅴ)与硫氰酸铵生成橙色络合物,在460 nm波长处测定其吸光度。用本法测定3个钼铁标样中钼,测定值与认定值相符,6次测定的相对标准偏差为0.29%~0.35%,分析时间只需50 min。     

X射线荧光光谱法测定不锈钢中17种元素

采用X射线荧光光谱法分析不锈钢中的Al、Si、P、Ti、V、Cr、Mn、Co、Ni、W、Cu、Nb、Mo、As、Pb、Sn、Sb 等17种元素。研究了仪器分析参数的设置,元素光谱背景的确定,光谱重叠和吸收 增强效应的校正。通过将理论Alpha系数法、基本参数法和经验系数法相结合的校正方法减小了曲线的品质因子K值,提高了检测数据的准确度。方法用于不锈钢标准物质中上述17种元素的测定,测定值与认定值相符,测定结果的相对标准偏差（RSD,n=11）在0077%~76%之间。     

石墨炉原子吸收光谱法测定P91钢中Sb的含量

介绍了采用石墨炉原子吸收光谱法测定P91钢中Sb的含量。试样以盐酸、硝酸和高氯酸溶解,通过高氯酸冒烟除去氯化物。将试液移入石墨管中原子化,用Sb无极放电灯作光源,用原子吸收光谱仪于Sb217.6nm波长处测量其吸光度。     

波长色散X射线荧光光谱法测定土壤和水系沉积物中13种重金属元素

重金属是土壤和水系沉积物环境监测的重要指标,由于土壤和水系沉积物样品基体复杂,采用X射线荧光光谱法(XRF)测定其中重金属元素,合理地优化测定条件对提高分析方法的准确度非常关键。以粉末压片法制样,建立了XRF测定土壤和水系沉积物等环境样品中As、Cd、Co、Cr、Cu、Mn、Mo、Ni、Pb、Sb、Sn、V、Zn等13种重金属元素的分析方法。选用31件一级土壤、水系沉积物和岩石成分分析标准物质拟合校准曲线,探讨了各元素的测定条件,以及谱线重叠干扰和基体效应校正等问题,提出了提高As、Cd、Co、Mo、Ni、Sb、Sn等痕量重金属元素分析准确度的具体措施。选用重金属含量水平不同的2件土壤样品考察分析方法的精密度,对含量10mg/kg以上的元素,其测定结果的相对标准偏差(RSD)分别为0.47%~5.3%(日内,n=12)和0.83%~6.3%(日间,n=12)。方法的检出限在0.39~5.1mg/kg之间。选用4件土壤和水系沉积物标准物质评估方法的正确度,重金属元素的测量结果与认定值一致。建立的分析方法检出限、精密度和正确度满足土壤和水系沉积物环境监测分析的技术要求。与标准方法相比,建立的分析方法增加了Cd、Sb、Sn等3个重金属元素,拓宽了痕量元素的分析范围。     

吸收光谱Elman回归神经网络同时测定CuⅡ,NiⅡ,CrⅢ3组分混合物

应用Elman回归神经网络同时测定3组分混合物,并应用偏最小二乘法作为对比,编制了PERNN和PPLS程序执行有关计算,通过最佳化确定了Elman回归网络的结构和参数。3种组分Cu ,Ni ,Cr 的混合物经Elman回归神经网络定量测定,预测标准偏差和预测相对标准偏差分别为0.254×10-3mol/L和2.58%。实验结果显示本法是成功的,且优于偏最小二乘法。     

电感耦合等离子体原子发射光谱法测定铅锑合金中12种元素

采用硝酸分解样品,柠檬酸抑制Sb水解,全谱直读电感耦合等离子体发射光谱仪同时测定铅锑合金样品中常量的Sb、次量和微量的As、Cu、Sn、Se、Ag、Bi、Fe、Zn、Ni、Cd 、Mn等12种元素。筛选了不同溶样方法和仪器参数,在优选条件下,测得方法检出限如下：Sn、Ag和Fe为0. 01 μg/g,Mn为0.02 μg/g,Bi和Cd为0.03 μg/g,Sb、As和Zn为0.04 μg/g,Se和Ni为0.05 μg/g,Cu为0.08 μg/g。基体铅对测定产生背景干扰,但可以通过硫酸铅沉淀除去。方法用于铅锑合金样品中上述12种元素的测定,结果与原子荧光光谱法或原子吸收光谱法相符,相对标准偏差（RSD,n=11）为0.87%~3.8%,加标回收率在95.2%~107.4%之间。     

三甲氧苯基荧光酮分光光度法同时测定钢铁中钛和锡

在pH 2.5的氯乙酸-氯乙酸钠缓冲溶液中,表面活性剂吐温-80存在下,Ti(和Sn(均与三甲氧苯基荧光酮发生灵敏的显色反应,据此建立了分光光度法同时测定钢铁中钛和锡。Ti(,Sn(络合物的最大吸收波长分别为600 nm,529 nm,体系的表观摩尔吸光系数分别为8.9×104,6.4×104L.mol-1.cm-1,络合物的组成比均为1∶2。方法的线性范围对Ti(为0~600μg/L,对Sn(为0~700μg/L。方法已用于钢铁中钛和锡的测定,结果与认定值相符,RSD<2.6%。     

钢中痕量元素的分析方法

为满足超净冶炼技术及产品检验的分析要求,在充分调研和预实验的基础上,钢铁研究总院等7家单位采用分光光度法(SP)、氢化物原子吸收光谱法(HG-AAS)、石墨炉原子吸收光谱法(GF-AAS)、电感耦合等离子体发射光谱法(ICP-AES)、示波极谱法(OP)、催化极谱法(CP)、氢化物-电感耦合等离子体发射光谱法(HG-ICP-AES)和滴定法(Vol)对钢铁及合金中含量小于0.001 %的21种痕量元素(Ag,Al,As,Ba,Bi,Ca,Ga,La,Mo,P,Pb,S,Sb,Sc,Se,Si,Sn,Sr,Te,Ti,V)的分析方法进行了研究.预定的各元素的测量下限和测量精度为:①Al,Ga,P,S,Sc和Si测定下限≤0.001 %;RSD:10 %～20 %;②Ba,Ca,Mo,Pb,Sb,Sn,Ti和V测定下限≤0.000 5 %;RSD:20 %～30 %;③Ag和Se测定下限≤0.000 2 %;RSD:30 %～35 %;④Bi和Sr测定下限≤0.000 05 %;RSD:40 %～50 %.     

基于人工神经网络的稀土合金铸铁腐蚀性能预测

通过静态质量损失法腐蚀试验获取BP神经网络的样本数据,利用MATLAB的工具箱函数建立了拓扑结构为5×8×10×1的BP神经网络,并对网络模型的预测精度进行探讨和研究。结果表明,在样本集和训练条件下,5×8×10×1 BP网络对稀土合金铸铁碱腐蚀深度的预测精度较高,较好的解决主要合金成分、腐蚀时间、介质温度与静态腐蚀深度之间的非线性关系,可用于稀土合金铸铁在烧碱液中的静态腐蚀性能的预测分析和研究。     

Elman神经网络在加热炉预测控制中的应用

首先简要介绍了E lm an神经网络的基本结构及特点,然后将预测控制和神经网络相结合提出了应用改进型E lm an神经网络建立预测模型,用于对加热炉燃烧过程中的烟气含氧量进行预测,以便及时调整空燃比,使加热炉工作在低氧燃烧状态下。     

基于改进遗传算法优化Elman网络的板形识别方法

针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。     

动力配煤线性预测与非线性预测方法研究

分别采用线性加权平均、线性拟合、BP神经网络和Elman神经网络方法建立煤质特性预测模型,对混煤煤质特性进行预测.将四种方法的预测结果进行分析比较,辨别混煤煤质特性与各单煤煤质特性间的线性与非线性关系.分析表明:混煤的发热量、水分、灰分和硫分与各单煤相应煤质特性具有简单的线性关系.其中,发热量、水分和硫分的线性拟合预测结果优于线性加权平均预测结果;混煤挥发分与各单煤挥发分之间呈非线性关系,Elman神经网络预测效果最佳.     

基于AO-ENN的LF炉C、Mn合金收得率预报模型

LF炉是钢铁冶炼中的重要设备,其主要作用是对钢水中合金成分进行调整,然而目前实际生产中大多仍使用人工经验来对合金成分进行调整,而且已有的合金加料模型效果并不令人满意。为了使添加的合金更加准确、成本进一步降低,设计了一种基于天鹰优化器(AO)来优化Elman神经网络(ENN)的合金收得率预报模型。首先根据相关性分析出对合金元素收得率影响较大的因子,然后利用AO优化后的ENN建立合金元素收得率预报模型,最后通过预测的合金元素收得率来计算所需加入的合金量。利用实际生产中的真实数据来进行仿真试验,仿真结果表明,建立的AO-ENN模型相较于BP模型和Elman模型,误差更小,精度更高,对实际生产中的合金加入问题有较好的指导意义。     

基于神经网络集成-X射线荧光光谱法的铁矿石中全铁含量测定

为了探索人工智能在铁矿石品质快速检验中的应用,研究了机器学习算法与化学计量学和X射线荧光光谱仪(XRF)相结合快速测定铁矿石中全铁含量的方法。收集来自于不同产地的,主要物相为赤铁矿、褐铁矿、磁铁矿、针铁矿和多物相混和结构的铁矿石样品共1098个作为样本集。采用X射线荧光光谱仪对铁矿石样品熔片进行扫描,扫描后的光谱图提取数据点后作为神经网络的输入,以全铁含量作为输出结果。然后依据X射线衍射(XRD)得到的物相结构优化自组织(SOM)网络,并对全部样本的XRF图谱进行分类,对分类后的每一个子集分别采用反向传播(BP)和径向基函数(RBF)网络建立回归子模型,对各子模型的预测结果进行整合,最终建立基于集成神经网络和X射线荧光光谱法的铁矿石中全铁含量预测模型。方法模型建立后,不需要额外标准物质建立校准曲线,能够实现对未知样品的分类和输出全铁含量结果。     

基于BP神经网络的烧结矿性能预报模型

 为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。     

偏最小二乘-神经网络光度法同时测定钢中钨和钼

在钨(钼)-2,4 二氯苯基荧光酮-CTMAB显色体系中,用偏最小二乘法(PLS)与神经网络(NN)联用辅助分光光度法,不经分离,同时测定合金钢中钨和钼。经比较,结果优于PLS法和BP神经网络法。     

双波长K系数分光光度法同时测定原油中铝、铁

显色体系为Al3+(Fe3+)-邻硝基苯基荧光酮-CTMAB-OP,以硫脲掩蔽干扰离子Cu2+,氟化钠掩蔽Al3+,在610 nm波长下测定铁,再用K系数法在556 nm波长下测定铝,建立了双波长K系数-分光光度法同时测定原油中铝、铁的分析方法。对测定条件、共存元素干扰情况进行了考察。人工合成样品回收率:铁为98.3%~99.1%,铝为95.3%~98.2%;样品加标回收率:铁为95.4%~104.5%,铝为95.5%~100.5%。