电能替代行业现状分析与建议

我国正处于经济快速发展的关键时期,源源不断的能源生产和消费必不可少。积极推进电能替代,对于促进工业现代化发展、提高能源利用率、减少环境污染、缓解能源安全问题具有重要的意义。各地区实施电能替代主要集中在电动汽车、电采暖、电锅炉、港口岸电等领域。首先梳理了一系列推进电能替代的政策,分析整理了电能替代在各地区的消费供应,以及在交通领域、工农业生产领域、居民采暖与其他五大领域的发展状况。据此分析电能替代各技术的占比情况以及各地区电能替代的完成情况,挖掘电能替代潜力,并根据目前存在的问题提出建议。     

一种基于双向匹配融合的合成孔径雷达景象匹配算法

针对合成孔径雷达（SAR）图像进行景象匹配时因图像差异和斑点噪声造成误匹配的问题,提出了一种基于双向匹配融合的景象匹配算法。采用变形差异相似性测度进行从实时图到参考图的正向匹配;通过选取参考图中易匹配子区,进行基于相位一致性特征强度互相关的从参考图到实时图的反向匹配;对双向匹配的结果进行融合处理,确定最终的匹配位置。实验结果表明,该算法能克服异源SAR图像间的图像差异对匹配的影响,具有较高的匹配精度和较好的鲁棒性。     

电厂冷却水系统杀藻剂除藻试验研究

在对国内外除藻剂进行大量分析和筛选的基础上,提出3种较为有效的杀藻剂,并进行了单、复配除藻对比试验.结果表明:DDAB有效浓度及最佳杀生浓度最低,CTAB次之,H2O2最差;DDAB及CTAB的最佳单用浓度分别为1×10-6mg/ml(5～10)×10-6mg/ml;复配以0.2×10-6mg/ml+1.4×10-6mg/mlCTAB复配除藻效果最好;对浮游藻类和丝状藻类效果相似.     

浅谈汽车制动力偏差

制动效能是指汽车迅速降低行驶速度直至停车的能力,是制动性能最基本的评价指标。它是由制动力、制动减速度、利动距离、和制动时间来评定。     

松辽盆地徐家围子地区葡萄花油层精细勘探

在我国东部地区,针对老油气区开展精细勘探,具有十分重要的战略意义。文中以松辽盆地徐家围子地区葡萄花油层为例,系统论述了老油区精细勘探的思路及方法。首先在纵向上细化研究目的层,综合利用地震储层反演和测井相分析结果,开展大比例尺沉积微相研究,搞清目的层段储层的时空展布规律,在此基础上叠合三维地震精细构造解释成果,以岩性油气藏评价的思路进行分析,最终在勘探老区取得了很好的勘探效果。     

印染流水线上探边仪系统设计

针对当前印染行业中时红外探边仪精度要求高、跟踪速度快的要求,开发了一种基于MCU C8051F020的红外探边仪.采用MCU C8051F020控制功能以及伺服电机速度模式下的精密控速技术,实现了基于印染流水线的探边仪的整机功能.测试表明:该探边仪具有性能可靠、跟踪速度快、控制精度高、调节方便等优点,具有较高的推广价值.     

“温控箱+蓄冷剂”包装对油麦菜贮藏品质的影响

目的 探究不同包装方式对油麦菜贮藏品质的影响。方法 以油麦菜为实验材料,采后分别装入泡沫箱(CK)、泡沫箱+蓄冷剂(T1)、温控箱(T2)、温控箱+蓄冷剂(T3),每隔5 d测定油麦菜的营养成分、生理生化指标和抗氧化酶活性,同时监测箱内的温度。结果 CK、T1、T2、T3组温度分别为(4.06±0.07)℃、(3.61±0.05)℃、(3.72±0.04)℃、(3.49±0.03)℃,与其他处理相比,T3组温度较低,且波动范围最小;此外,T3处理组能够减缓质量损失率上升、抑制Vc氧化和叶绿素降解、延缓MDA积累、抑制PPO活性升高、维持POD、SOD、CAT活性,有效提高了油麦菜的贮藏品质,并延长了货架期。结论 “温控箱＋蓄冷剂”的包装方式能较好地维持油麦菜的采后贮藏品质。     

坳陷湖盆斜坡区深水重力流水道地震响应及沉积特征 ——以松辽盆地LHP地区嫩江组一段为例

松辽盆地湖盆深水区重力流沉积广泛发育,由于资料分辨率低的限制,以往对其时空演化、内部结构方面的认识不清.基于高精度三维地震资料,利用90°相位转换、地层切片、光照显示等技术,研究了LHP地区下白垩统嫩一段湖盆深水斜坡上发育的重力流水道的地震特征以及水道的内部结构.结果表明:①嫩一段沉积时期,本区坡降为0.5‰～1.0‰...     

多元离子复合渗镀表面改性与钎焊设备的研制

多元离子复合渗镀设备是由炉体、辉光电源、电弧电源、水冷系统、真空系统和监测系统六部分组成;复合靶是由多种金属材料组成,其中包括钛、铜、镍、银、铝等,依据工件材料选定.陶瓷或金属表面复合渗镀的以及钎焊的工艺参数,如工作气压、辉光电压、电弧电流、渗镀时间、复合靶与工件之间的距离、焊接温度和保温时间等,对表面合金化和钎焊造成影响.本装置可以用于陶瓷及金属的表面合金化及其真空钎焊连接.     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。