磷酸装置磷矿筛分破碎流程 选择与设备选型

半水-二水法磷酸技术与其他技术相比,具有能耗低、酸品质好、石膏质量佳等优势,近几年来被越来越多的改建磷酸项目和新建磷酸项目所采用。磷矿石筛分破碎流程选择正确、设备选型正确是为磷酸装置提供合格粒度矿粉的重要保障。介绍了磷酸厂内磷矿石常见筛分破碎流程、设备,分析了各种筛分破碎流程、设备的优缺点,结合实际工程经验,提出了适合半水-二水法磷酸装置干法磨矿工艺的磷矿石筛分破碎流程与设备选型,探讨了交叉筛、辊式破碎机用于磷矿石筛分破碎的可行性。     

阳煤二矿无烟煤氧化放热特性研究

为了深入了解煤自燃过程的放热规律,采用C80微量热仪研究了阳煤二矿无烟煤的氧化燃烧过程。在此基础上,计算得到了其热力学参数并分析了其随反应过程的变化规律。根据分析结果可知:阳煤二矿无烟煤氧化放热过程呈明显的分段特性,开始释放热量的温度约为23.17℃,由缓慢氧化转换为快速氧化的临界温度大致为130℃。无烟煤在不同反应阶段的反应强度和产热产物特性也存在很大差别;煤缓慢氧化虽然反应持续时间长、温升范围较大,但该阶段释放的热量却很少,仅占煤自热过程总放热量的17.67%;而当煤氧化反应进入快速反应阶段后,煤样氧化放出的热量占总放热量的82.33%,差异显著。     

番石榴叶中多糖分离纯化工艺研究

为了筛选出番石榴叶多糖的最佳分离纯化工艺,本文了采用正交设计试验筛选番石榴叶多糖的提取的最佳工艺。结果表明番石榴叶多糖最佳提取工艺为:按1:30的料水比进行加热,在80℃恒温下3h回流提取,重复3次。番石榴叶粗多糖的进一步的精制方法为醇沉法和Diaion HP-20大孔吸附树脂吸附法,并且考察了Diaion HP-20大孔树脂对番石榴叶粗多糖的纯化能力。首先采用酒精-水系统作为Diaion HP-20大孔树脂洗脱液纯化粗多糖,然后将所得的多糖通过酒精-水溶液沉淀,干燥,最后通过苯酚-硫酸法对所得的多糖进行含量测定。结果表明醇沉法以及Diaion HP-20大孔吸附树脂吸附法相结合的纯化过程对番石榴叶多糖分离纯化效果良好,Diaion HP-20大孔树脂对番石榴叶粗多糖的吸附效果良好,吸附量为50g/L,能够有效吸附番石榴叶多糖,此外该方法收率高,能够得到纯度为95.64%的多糖化合物。     

GaN-MOCVD系统反应室流场的数值仿真

针对某高校自主研发的120型GaN-MOCVD系统反应室的流场,进行了计算流体力学(CFD)数值模拟.在模拟过程中,讨论分析了运行参数和反应室结构尺寸的变化对反应室内流场、压力场和温度场的影响及对工艺条件的优化.模拟结果表明,数值仿真对MOCVD设备的结构设计及调试运行具有重要的指导和辅助作用.     

Shell粉煤气化装置的氮气平衡及优化

针对sheⅡ煤气化装置在试车和运行中出现的氮气难于平衡的问题,分析具体原因,介绍改进和优化措施。     

耐温800℃陶瓷疏水催化剂的研制

用强酸对多孔疏水材料进行表面改性,获得疏水多孔陶瓷载体.采用浸渍法制备出耐温达800℃陶瓷基疏水催化剂,分别在低浓度氢-空气环境(φ(H2)=10-3)和低活度氚水环境(氚的放射性浓度1 570 kBq/L)中对其催化氧化效率和催化交换效率进行了测试,结果表明,在该疏水催化剂存在条件下,催化氧化反应的单程转化率为95％...     

基于目标差分特性的分段剔野方法

针对简单剔野方法无法剔除连续野值以及样条拟合方法复杂的参数估计问题,分析不同运动模型下的目标差分特性,提出了分段剔野方法。首先根据野值对差分特性的影响,利用拉伊达准则初步检择可疑数据;其次根据二阶差分数据将飞行轨迹分割为连续多段数据,并分别拟合趋势项;最后利用拟合的目标运动趋势项并与测量数据比较进而剔除野值。通过对某火箭弹的仿真数据及某无人机飞行数据的处理验证了本方法的有效性,具有一定的工程应用价值。     

罗望子果实黄酮类物质的提取纯化工艺

为了筛选出罗望子果实中黄酮类化合物的最佳分离纯化工艺,本文了采用正交设计试验筛选罗望子果实中黄酮类化合物的提取的最佳工艺.结果表明罗望子果实中黄酮类化合物最佳提取工艺为:使用75%乙醇溶液按1:30的料水比进行加热,在80℃恒温下2h回流提取,重复2次.罗望子果实中粗黄酮的进一步的精制方法为醇沉法和Diaion HP-...     

两用户系统在常功率下自适应调制的门限优化

对常功率下两用户干扰系统中自适应调制的门限优化问题作了分析,求出两个用户在各自常功率情况下自适应调制的最优门限组合,使得在两个用户的平均误码率(BER)分别等于设定阈值的限制条件下系统总的吞吐量最大化.由于最优门限组合依赖于信干比概率密度函数,对其作了推导,然后通过构建和求解Lagrange方程来得到最优的门限组合;对于多用户的情形也可以采用类似的方法求解.仿真结果显示,这种联合优化的方法能够很好地满足每个用户的目标BER要求,而单独优化的方法则无法满足这一要求.     

结合支持向量机与半监督K-means的新型学习算法

半监督学习结合少量有标签样本和大量无标签样本,可以有效提高算法的泛化性能。传统的半监督支持向量机（SVM）算法在目标函数中引入无标签样本的依赖项来推动决策面通过低密度区域,但往往会带来高计算复杂度和局部最优解等问题。同时,半监督K-means算法面临着如何有效利用监督信息进行质心的初始化及更新等问题。针对上述问题,提出了一种结合SVM和半监督K-means的新型学习算法（SKAS）。首先,提出一种改进的半监督K-means算法,从距离度量和质心迭代两个方面进行了改进;然后,设计了一种融合算法将半监督K-means算法与SVM相结合以进一步提升算法性能。在6个UCI数据集上的实验结果表明,所提算法在其中5个数据集上的运行结果都优于当前先进的半监督SVM算法和半监督K-means算法,且拥有最高的平均准确率。