全文获取类型
收费全文 | 271篇 |
免费 | 7篇 |
国内免费 | 5篇 |
专业分类
电工技术 | 8篇 |
综合类 | 4篇 |
化学工业 | 10篇 |
金属工艺 | 14篇 |
机械仪表 | 5篇 |
建筑科学 | 5篇 |
矿业工程 | 41篇 |
能源动力 | 15篇 |
轻工业 | 1篇 |
无线电 | 4篇 |
一般工业技术 | 12篇 |
冶金工业 | 160篇 |
原子能技术 | 4篇 |
出版年
2024年 | 2篇 |
2023年 | 13篇 |
2022年 | 9篇 |
2021年 | 4篇 |
2020年 | 3篇 |
2019年 | 5篇 |
2018年 | 3篇 |
2017年 | 4篇 |
2016年 | 1篇 |
2015年 | 4篇 |
2014年 | 10篇 |
2013年 | 3篇 |
2012年 | 3篇 |
2011年 | 12篇 |
2010年 | 5篇 |
2009年 | 10篇 |
2008年 | 33篇 |
2007年 | 23篇 |
2006年 | 28篇 |
2005年 | 23篇 |
2004年 | 10篇 |
2003年 | 13篇 |
2002年 | 27篇 |
2001年 | 18篇 |
2000年 | 8篇 |
1999年 | 7篇 |
1998年 | 2篇 |
排序方式: 共有283条查询结果,搜索用时 31 毫秒
271.
钢中存在的大量高熔点稀土夹杂物会在连铸过程中引发水口结瘤问题。通过静态法和热丝法高温原位观察研究了CeAlO3夹杂物在中间包覆盖剂的溶解行为。静态试验研究结果表明,CeAlO3在溶解过程中会产生中间层。随着溶解时间的增加,CeAlO3溶解程度加剧,溶解形成的中间产物CaCeAl3O7逐渐长大。热丝法(SHTT)原位观察试验表明,CeAlO3颗粒在溶解过程表观尺寸先降低后增加最后保持相对稳定。CeAlO3在当前熔渣的溶解通过与渣中CaO反应形成产物层,然后形成的产物层向渣中溶解。因此,CeAlO3在当前熔渣中的溶解方式为间接溶解。 相似文献
272.
273.
本文针对选矿生产中尾矿品位急剧上升、金属流失严重等问题,阐述了利用原有选矿设备实施工艺改造,探索采用“内循环方式”回收尾矿金属,以降低属矿品位,提高经济效益,节约矿石资源。 相似文献
274.
275.
276.
以Ti脱氧低碳微合金钢为研究对象,通过扫描电子显微镜、电子背散射衍射分析和热力学计算研究了Zr处理对钢中硫化物特征的影响。结果表明:随着钢中Zr质量分数由0.002 0%增加至0.020%,硫化物由MnS转变为Zr3S4-MnS,硫化物中Zr/Mn原子比逐渐增加,硫化物平均尺寸逐渐增大,但单位面积数量先略增加后逐渐减小。热力学计算结果发现,MnS和TiS在钢液中和凝固过程残余液相中均无法析出。当钢中Zr质量分数为0.004 6%,Zr3S4在凝固分数为0.59时满足热力学析出条件,而当Zr质量分数增加至0.011%和0.020%时,Zr3S4在钢液温度为1 786.1和1 826.5 K即可析出,同时由于凝固元素偏析富集,Zr3S4在凝固分数为0.62和0.63时还可进一步析出。最后,基于Zr处理对钢中硫化物特征的影响,钢中Zr质量分数较优的控制范围为0.002 0%~0.005 0%。 相似文献
277.
稀土钢连铸过程中,结晶器内上浮至渣金界面的高熔点稀土夹杂物如果不能被保护渣有效的溶解吸收,进入保护渣后会改变渣的理化性能,影响连铸顺行。通过高温实验研究了Ce AOl3在连铸保护渣中的溶解机制,探究了保护渣w(Ca O)/w(Al2O3)(简写为C/A)对溶解过程的影响。实验结果表明,Ce AOl3溶解过程中,夹杂物-渣界面会形成Ce3+和Ca2+的浓度边界层。在C/A为0.8的保护渣中会形成中间产物Ca Ce Al3O7,随着C/A增加到1.0,中间产物Ca Ce Al3O7减少;继续增加C/A至1.2,中间产物消失。其溶解机制为,低C/A渣中Al O45-较多,在浓度边界层中Ce AOl3溶解形成的Ce3+与渣中Ca2+、Al O4 相似文献
278.
基于260 t转炉实际生产数据,通过机器学习算法XGBoost(eXtreme Gradient Boosting,极限梯度提升树)、弹性回归、线性回归、AdaBoost(Adaptive Boosting,自适应提升树)四种算法建立了终渣主要成分CaO、SiO2、TFe和MgO的预测模型。通过优化调参,XGBoost终渣成分预测模型的决定系数R2均在0.8以上。溅渣时间模型采用SVR(Support Vector Regression,支持向量机回归)、LGBM (Light Gradient Boosting Machine,轻量梯度提升机回归)、GBDT(Gradient Boosting Decision Tree,梯度提升树回归)、RF(Random Forest,随机森林)和XGBoost五种算法进行建模。通过探究,将SVR、XGBoost、GBDT算法使用集成方法得到Stacking集成溅渣时间预测模型,Stacking集成溅渣时间预测模型提升了单个模型的预测效果,偏差为±20 s的预测命中率达89.95%。 相似文献
279.
转炉热损失率是影响物料消耗量预测精度的重要参数之一,利用某钢厂150 t转炉1 900炉次冶炼历史生产数据,在热损失率计算的基础上,采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明,相比于支持向量回归(support vector regression, SVR)和随机森林(random forest, RF)算法,轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的预测精度最高;考虑上炉次的影响,增加上炉次冶炼终点温度变量后,LightGBM算法的决定系数R2由0.89提高到0.93,在±0.005、±0.01范围内,热损失率预测命中率分别由85%、89%提高到90%、93%;另外,通过算法内部参数优化可进一步提高模型预测精度,对于LightGBM算法,决定系数R2和均方根误差ERMS(root mean square error, RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、... 相似文献
280.