MDEA溶液中无机阴离子的定性及定量分析方法研究

建立了使用离子色谱对MDEA溶液中无机阴离子进行定性与定量测定的方法。通过对不同的淋洗液模式（等度模式、一步梯度模式、多步梯度模式）进行研究比较,确定了分离度最好模式为多步梯度模式。采用多步梯度洗脱方式分别对F-,Cl-,Br-,NO3-,SO42-无机阴离子的混合标准溶液系列进行测定,建立了外标定量曲线, 5种无机阴离子的质量浓度在其线性范围内的相关系数可以达到99%以上,检出限可达到10 μg/L以下,该方法在线性范围内线性度较好,检测灵敏度高。重复性试验和加标回收试验结果表明,该方法的相对标准偏差小于5%,加标回收率在95.9%～105.6%之间,准确度较高。通过对使用了一年左右的MDEA溶液进行测试,可知溶液中含有Cl-,NO3-,SO42- 3种无机阴离子,其质量浓度分别为1191.055,3.155,41.595 mg/L。     

响应面法优化红薯茎叶中绿原酸的提取工艺

以红薯茎叶为原料,采用超声波辅助乙醇浸提法提取红薯茎叶中的绿原酸。在单因素实验基础上,以提取时间、提取温度、料液比和乙醇浓度为考察因素,以绿原酸得率为响应值,采用4因素3水平响应面设计组合实验,建立相应的二项式数学模型优化提取工艺。实验结果表明,红薯茎叶中绿原酸提取的最佳工艺条件为提取时间25 min、提取温度64.5℃、料液比1∶35(g/mL)、乙醇浓度45%,红薯茎叶中绿原酸的实际得率为3.442 1 mg/g,接近预测值。响应面法可用于红薯茎叶中绿原酸提取工艺的优化。     

基于证据方差的加权证据组合

DS证据理论在决策级信息融合中有着广泛应用.针对证据组合时的某些反直观结果问题提出一种新的基于证据方差的序贯式加权证据组合方法.首先基于Jousselme证据距离定义了证据方差.每一步证据组合时,依据当前既有证据组合结果序列的方差及当前步新证据加入后的序列方差来生成权重.基于所获权重修正新到证据及前一步组合结果,最后利用Dempster规则完成当前步证据组合.算例分析表明所提方法是合理有效的.     

输电线路钢管塔构件微风振动分析

基于钢管塔构件微风振动的机理,推导了考虑构件轴向力作用的钢管塔构件微风振动起振临界风速的计算方法,给出了不同杆端约束钢管构件不发生微风振动的最大长细比限值计算公式。 分析发现,对于小管径的钢管构件,仅通过控制长细比抑制其微风振动,势必造成巨大的浪费。 计算表明,当钢管构件的长细比不小于76时,在50年的设计使用寿命期内,构件的微风振动不会导致其发生疲劳破坏。     

油库防爆电气设备的选型与维护使用

提出了石油库防爆电气设备普遍存在的问题,并论述了防爆电气设备在选型及使用中应注意的问题。     

基于平坦理论的直流微电网双向DC-DC变换器改进滑模自抗扰控制

针对直流微电网系统中分布式电源功率波动、负载频繁投切以及不确定性扰动造成的母线电压波动问题,以直流微电网储能单元双向DC-DC变换器为研究对象,提出了一种基于平坦理论的改进滑模自抗扰控制策略。该方法采用双闭环控制结构,其中,电流内环采用微分平坦控制,提高系统的动态响应速度。在考虑系统抗扰性能和高频噪声影响的基础上,利用增阶滤波扩张状态观测器对外环模型总扰动进行估计。并根据状态量和扰动量估计信息设计了电压外环改进滑模自抗扰控制器,进一步提升系统的鲁棒性能。最后利用Matlab/Simulink软件进行仿真,验证了所提控制策略的有效性及优越性。     

“五基”协同大气环境立体遥感监测系统应用研究

“五基”协同天空地一体化生态环境立体遥感监测体系,是一种综合天基卫星、空基遥感、航空无人机、移动巡护监测车和地面观测五种技术手段为一体的监测体系。“五基”协同大气环境立体遥感监测系统是该体系的重要组成部分,其核心是运用协同联动机制和技术方法,构建数据协同融合的核心算法模型,以期弥补常规遥感手段在监测时效、精度、周期等方面的短板。以棋盘井工业园区为示范区域,重点介绍了“五基”协同监测体系中五种不同技术手段的组成架构,展示了多技术手段协同监测以及应用分析成效,并讨论了该协同监测体系在解决大气污染防治工作关键技术问题上的效果。通过“五基”协同联动、多源数据融合,获得了本地污染排放特征及区域污染物传输的定量化贡献,实现精准溯源及执法,最终形成针对性的大气污染全面治理方案建议,有效支撑了当地大气污染防治工作。     

动态联盟合作伙伴评价方法的动态重构模型

基于方法相容的思想,提出了一个评价方法的动态重构模型,使其根据评价对象的不同,动态选择最优的评价方法或相容方法组合,来实现不同项目环境下的联盟伙伴选择评价;详细描述该评价方法优化模型的建立,并结合案例分析证明该评价模型的有效性.     

一种基于Tri-training的众包标记噪声纠正算法

在众包学习中,使用标记集成算法得到的集成标记中仍然存在一定程度的标记噪声.本文受三重训练思想的启发,提出了一种基于tri-training的众包标记噪声纠正算法(Tri-Training-based Label Noise Correction,TTLNC).TTLNC首先使用过滤器获得干净集和噪声集,然后在干净集上进行bagging分别训练三个不同的分类器,并通过这些分类器重新标注噪声集中的实例,同时按照实例分配策略将实例分配给相应的训练集.最后在新训练集上重新训练三个不同的分类器,并用新分类器的分类结果重新标注所有实例.在仿真标准数据和真实众包数据集上的实验结果表明TTLNC比其他四种最先进的噪声纠正算法在噪声比和模型质量两个度量指标上表现更优.