目前欧洲纺织市场对染料的要求和开发的新染料

欧洲市场是纺织纤维及纺织品的主要消耗地之一 ,1 995年按人口计算英国的纺织纤维消耗为1 9.2公斤 ,西欧大陆为 1 7.6公斤 ,东欧国家为 1 7.0公斤 ,分列世界的第二、第三和第四位。欧洲市场对染料和颜料的需要量比较大 ,但近年和进入 2 1世纪的头几年增长率不高 ,目前为984 .2百万美元 ,到 2 0 0 4年增长到 1 0亿美元 ,其重点是活性染料 ,用以取代硫化染料。还原染料由于在染色牢度和性能上的优势其消耗仍有一定量。目前欧洲市场对染料的要求主要是成本、生态和质量 ,如对活性染料的研究和开发主要是提高其在棉上的固着率、染色时使用更少的…     

Optisal染料

近年瑞士Sandoz公司开发成功新的Optisal/Optifix染色体系,包括Optisal染料、固色剂OptifixFLiquid和一个合适的染色工艺。Optisal染料是一类经过选择的鲜艳型直接染料,不含金属,具有高吸尽率、染色时用盐量低、洗涤时耗水量少、废水色泽浅等特点,而且由于新染料具有130℃的高温稳定性,特别可与ForonRD染料组合,用于聚酯纤维和纤维素纤维组成的混纺织物一浴染色。固色时采用阳离子固色剂OptifixFLiquid在碱浴中按吸尽工艺进行,此固色剂是专门为了与Optisal染料配套开发的无甲醛固色剂,使用时无论在固色浴中或织物上都不会释放出甲醛。…     

近年德国染料工业新设备

德国巴斯夫公司、赫斯脱公司和拜耳公司在制造染料和有机颜料中不仅使用大量常规设备，还采用了不少新设备，使作为染料工程重要内容的化工装备不断改进，越来越完善。不论何种设备都具有大型化、整体自动化水平高和高效节能等特点，表现了它们制造染料和有机颜料方面的技术先进性。     

近两年美国有机颜料市场的变化

美国有机颜料的年产量在八十年代上半期一直稳定在3.5～4.0万吨之间,1987年突破4.0万吨,达到4.27万吨,名列世界前茅,比1985年增长16.2％;同年的有机颜料销售量也创历史记录,达到3.79万吨,占生产量的88.7％,比1985年增长20.7％;年销售额达到5.86亿美元,比1985年增长30.9％;市场平均单价为15.48美元/公斤,也比1985年     

国际上禁用染料近况

据Eco-tex公司的专家透露,国际上禁止生产和使用能在还原条件下分解产生22种有害芳香胺的偶氮染料已成为必然趋势,自1996年4月1日德国政府颁布的有关法律正式生效     

日本芳香族化合物的市场

日本的精细化工发展很快,需要大量芳香族化合物,这里列举1987年日本市场上70多种主要芳香族化合物的产量、价格及与美国市场价格的比率。     

我国染料进口量连年快速增长的思考

该文就我国染料进口量连年快速增长的原因进行了详细的分析,并据此提出了我国染料工业发展的建设性意见.     

食源性抗氧化肽的构效关系及强化方法

食源性多肽因具有较高的营养价值和多种生物活性,备受研究者关注。然而,由于天然食源性多肽的来源和提取工艺受限,其抗氧化性能在实际应用中逐渐无法满足抗衰老和慢性疾病防治的需求。本文综述了食源性抗氧化多肽的来源,分析了多肽抗氧化性能与水解度、氨基酸组成及序列、分子质量及二级结构之间的构效关系,并探讨了当前多肽抗氧化性强化方法的研究现状及存在的问题。这些工作将为食源性抗氧化肽的应用和拓展提供重要支持。     

基于Q-learning的工业互联网资源优化调度

面对5G与工业互联网中日益增长的数据传输与计算需求,移动边缘计算已逐渐成为一种新兴的解决方法,可有效应对工业互联网设备自身计算能力的不足,并充分缓解网络拥塞等问题.然而,当数量庞大的设备同时发送计算请求时,往往会超出边缘计算服务器的计算负载.此外,工业互联网设备通常仅装配有限的能量供给,无法承受能源消耗过多的任务,且庞大的设备数量还决定了网络连接、数据计算等系统开销.因此,面向工业互联网场景中机器类型通信设备的计算任务卸载问题,提出一种基于Q-learning的计算任务卸载决策方法,综合考虑任务卸载过程中的网络环境和服务器状态,并联合优化卸载过程产生的时延、能耗和经济开销.仿真结果表明,所提优化框架可有效减少计算任务卸载系统的时延、能耗和经济的总开销.     

毫米波大规模MIMO系统中的预编码技术

针对大规模毫米波（millimeter wave,mm-Wave）多输入多输出（multiple input multiple output,MIMO）系统中的混合波束赋形在中心式机器学习（centralized machine learning,CML）中导致的通信开销过大问题,提出了分层联邦学习（federated learning,FL）框架下的混合波束赋形与基于合同理论的资源分配优化方法。首先,在分层系统中对多用户计算系统开销,并通过优化分配资源实现系统的效益最大化;然后,用户利用分配的资源对信道数据和相应的预编码数据进行反向传播神经网络（back propagation neural network,BPNN）模型训练,利用边缘服务器（edge server,ES）收集用户训练的权值和参数进行边缘聚合,达到一定精度后上传到云服务器（cloud server,CS）进行云聚合,直到取得最优的模型。实验结果表明,资源优化极大地降低了通信开销,并且基于FL的混合波束赋形不仅取得了和CML类似的和速率,而且其和速率要优于基于正交匹配追踪（orthogonal matching pursuit,OMP）的混合波束赋形以及全数字波束赋形方案。