菱镁矿热分解微分方程的建立

利用TG-DSC热分析技术,对菱镁矿的热分解过程进行了研究。结果表明,菱镁矿的热分解为一步反应。由Kissinger与Ozawa-Doyle两种方程求得菱镁矿热分解反应的表观活化能和指前因子（lg A）分别为177.14 kJ/mol和7.39 s^-1。根据Coats-Redfern方程,用常见的固体热分解机理函数分别进行了多元线性回归,进一步利用Malek法确定了菱镁矿热分解过程属于三维扩散机理D3,并获得了分解过程的微分方程。采用DSC方法测试了碳酸镁的比热容,用最小二乘法拟合曲线,获得其比热容表达式。     

多波段、自适应智能伪装技术及材料研究进展

工程伪装是现代战争的重要保障和支撑,在现今的信息化、高技术侦察条件下,工程伪装技术和材料正向着多波段、智能化、自适应的方向发展.伪装材料是工程伪装技术的基础,为适应工程伪装技术发展的需求,伪装材料也向着多波段、自适应、轻量化等方向不断革新,并已成为未来战争需求的一项重要课题.     

有机硅和环氧树脂改性聚脲的热性能及DMA分析

采用端异氰酸基改性硅油和环氧树脂改性二乙基甲苯二胺改性聚脲,通过热失重及动态热力学分析研究了材料的热性能,力学性能及阻尼性能。结果表明:引入有机硅及环氧树脂的聚脲涂层的耐热性能显著提高,其初始分解温度T_(10)由288.1℃提升至330.1℃,失重50%的温度T_(50)由368℃提升至410.5℃,玻璃化温度T_g由10℃提升至58℃,其温域为25~82℃,tanδ峰值0.68。40℃下改性涂层在10~(-5)~10~2频率具有良好的阻尼性能。     

生物催化氧化锰和黄铁矿的共同浸出

为了探索在微生物存在的条件下氧化锰和硫化矿共同浸出的特点,进行了氧化亚铁硫杆菌在好氧和厌氧条件下对FeS2-MnO2-H2SO4体系的催化浸出实验研究。结果表明,在好氧条件和厌氧条件下,氧化亚铁硫杆菌均可以催化FeS2-MnO2-H2SO4体系的浸出。好氧条件下利于FeS2的浸出,浸出36 h时,在MnO2:FeS2质量比为1:1、5:1、6:1时的浸出率分别为:25.34%、82.89%和82.58%。厌氧条件下,利于MnO2的浸出,浸出36 h时,在MnO2:FeS2质量比为1:1、5:1、6:1时的浸出率分别为:87.76%、85.35%和75.09%。浸出机理是氧化亚铁硫杆菌催化铁离子在二价和三价之间的循环转化,根据实验结果提出了好氧和厌氧条件下,FeS2-MnO2-H2SO4体系的两矿反应模型。     

纳米TiO2光催化材料在环境土壤修复中的应用研究进展

近年来对土壤污染的综合治理和修复已经成为环保领域的一个研究热点,光催化技术修复污染土壤是一种操作简便、费用低廉、无二次污染和具有广阔发展前景的新兴技术。分析了光催化技术修复污染土壤的原理,并综述了近年来纳米 TiO2光催化材料在土壤有机物污染物(农药、芳香族类和石油类等)的降解以及重金属离子(Ag+、Cr6+等)的光催化还原研究进展,并提出了未来的发展方向和建议。     

EV电控系统的CAN总线通信研究与开发

介绍了CAN(ControlAreaNetwork)总线通信原理和通信协议。以芯片MC68376集成CAN控制器为例,阐述了纯电动车EV(ElectricVehicle)电控系统采用SAEJ1939通信协议实现CAN总线通信的设计要点。最后给出了基于CAN通信的EV电动汽车硬件在环仿真系统获得的电机在不同工况下的电流需求特性曲线。实验证明CAN总线通信速率高、准确、可靠性高。     

层面对煤岩层水力致裂影响的实测分析

为了分析层面对煤岩层水力致裂的影响,采用RFPA2D-Flow数值模拟和现场观测,发现水压裂缝空间整体分布表现为以钻孔为中心,沿煤层方向逐步向外辐射发展。距离致裂孔越远,水压裂缝的数目越少;随致裂水压力的增加,水压裂缝的数目和范围逐渐增大;随着致裂范围的增大,沿程压力损失和水的滤失速度加快,水压裂缝的扩展速度逐渐降低并趋于平缓。分析出水压裂缝沿层面扩展的同时会在应力场作用下不断萌生分支裂纹,分支裂纹扩展延伸与层面沟通,形成水压裂缝网;分析出层面是高压水渗流的主要通道,对水压裂缝扩展有重要影响,水压裂缝主要沿煤层层面、煤岩和煤矸交界面进行扩展。     

基于GRA-BP神经网络的锂电池剩余容量估计方法

针对锂电池老化过程中特征不明显、对容量波动点追踪不准确、模型长期使用后精度下降等问题，提出了一种基于灰色关联分析(GRA)-反向传播(BP)神经网络的锂电池剩余容量估计方法。通过GRA筛选出能够表征电池老化的特征量，利用计算机辅助寿命周期工程中心(CALCE)公开的锂电池充放电数据集训练BP神经网络模型，并实现电池剩余容量估计。结果表明，对于同一电池，训练集占80%时，容量衰减的估计误差为2.28%，在训练集仅占20%的情况下，估计误差为5.99%。