近紫外激发Ba_2ZnW_(1-x)Mo_xO_6:Eu~(3+),Li~+红色荧光粉的制备及其荧光性能

通过高温固相法制备了系列Ba_2ZnW_(1-x)Mo_xO_6:Eu~(3+),Li~+红色荧光粉,研究了Mo~(6+)离子掺杂对样品的晶体结构以及荧光性能的影响。结果表明:部分Mo~(6+)离子取代W~(6+)离子后,样品的激发波长发生红移,最大激发波长从316 nm转移到373 nm,使得样品能有效地被近紫外光(350～420 nm)激发。Ba_2ZnW_(0.6)Mo_(0.4)O_6:Eu~(3+),Li~+在373 nm波长的激发下,所得的荧光强度最强。Eu~(3+)离子的特征跃迁仍以~5D_0→~7F_1(598 nm)跃迁为主,但~5D_0→~7F_2(615 nm)跃迁得以加强。通过其发射光谱计算所得色坐标为(0.6385,0.3611),接近标准红色色坐标。Ba_2ZnW_(0.6)Mo_(0.4)O_6:Eu~(3+)Li~+作为红色荧光粉在被近紫外激发的白光LED中具有很好的应用前景。     

工程流体力学教学探究

工程流体力学是能源与动力工程专业重要的专业基础课之一,主要研究流体静力学与运动学在工程实际中的应用。课程涉及高等数学、大学物理、工程力学、工程热力学等多门学科,研究对象易流动,研究方法抽象,公式推导繁多,逻辑主线是近似表示流体的运动轨迹方程及工程上所需的各种流体参数,学生学习起来较为困难。针对工程流体力学教学中存在的"教授难"和"学习难"两大问题,本文提出课堂结合慕课的教学模式,通过统计慕课开展的效果,探究适合当代大学生的学习方法。     

基于PLC的火电厂SCR脱硝控制系统

介绍以液氨为还原剂的新选择性催化还原法(SCR)烟气脱硝方案,提出基于PLC的燃煤电站SCR烟气脱硝净化过程的控制策略,给出了相关的程序流程和上位机组态。     

复杂目标散射中心正向建模数据分析

高分辨率雷达目标识别技术能够有效获取复杂目标信息。提出了基于几何CAD 模型的复杂雷达目标参数散射中心模型的分析方法。该方法完全脱离SAR 图像,紧扣目标的几何及物理性质。基于复杂目标散射中心的正向建模方法,确定了散射体的幅值、频率依赖参数、散射类型、位置以及长度等参数。基于VS2010 平台完成散射中心参数管理软件设计,将各个离散姿态下获取的散射中心数据汇总和归类,完成复杂目标的参数化重构SAR成像。从目标几何特征出发,对复杂目标进行部件分解,借助射线追踪的方法,对射线经过的路径进行分集,可以将不同部件的散射贡献区分开,精确反映复杂目标的散射来源和散射机理。文中的算例说明了复杂目标散射中心正向建模的合理性。     

面向多主体客户的地铁需求重要度确定方法

客户需求重要度的确定是产品族规划的关键环节,对企业产品族开发成功与否起着至关重要的作用。目前地铁产品族的设计大部分仅考虑城市运营商的需求,而缺乏对其终端用户,即普通乘客的需求进行分析。为此,提出一种面向多主体客户的地铁需求重要度确定方法。首先,基于熵值法确定城市运营商的需求重要度;其次,采用模糊Kano模型确定出普通乘客的必备需求、期望需求以及魅力需求;最后,根据普通乘客的需求分类结果,引入重要度调整函数对运营商需求重要度进行调整,从而确定出综合考虑普通乘客与运营商偏好的最终需求重要度。以地铁车辆为例,验证了该方法的有效性和可行性。     

一种新型的甲烷催化转化炉

介绍一种用钯基催化剂制成的新型甲烷催化转化炉，适用于高浓度甲烷和痕量甲烷的氧化过程，工作温度４００￣５００℃，与传统的ＣｕＯ－Ｐｔ燃烧炉相比，具有催化效率高，省能，方便实用等特点。     

动力舱红外成像火情探测系统

火情探测是特种车辆灭火抑爆系统的重要组成部分,火情探测能力的高低直接影响车辆及其内部乘载员的安全。现有动力舱火情探测系统主要利用温度传感器和非成像光学火情探测器,但由于动力舱结构复杂,环境恶劣,基于温度传感器的动力舱火情探测系统由于无法实现舱内空间全覆盖安装,因此容易产生火灾漏报现象,而非成像光学火情探测器由于灵敏度过高容易产生火情误报现象,动力舱应用甚少。与现有动力舱火情探测系统不同,设计了红外成像火情探测系统,采用测温热像装置和测温显控装置,能够实现对动力舱一定目标空间内的实时温度监控,通过温度识别算法和设定预警温度阈值、报警温度阈值,实现了高温预警功能和火灾报警功能。利用标准火焰测试平台对探测系统进行了实验测试,结果表明红外成像火情探测系统的火灾响应时间小于5 s,满足国军标的要求。该系统将火灾发生后的报警提升到火灾发生前预警,能够有效避免动力舱火灾漏报问题,保护特种车辆内部人员安全。     

User association and resource allocation in green mobile edge networks using deep reinforcement learning

In order to meet the emerging requirements for high computational complexity, low delay and energy consumption of the 5th generation wireless systems (5G) network, ultra-dense networks (UDNs) combined with multi-access edge computing ( MEC) can further improve network capacity and computing capability. In addition, the integration of green energy can effectively reduce the on-grid energy consumption of system and realize green computation. This paper studies the joint optimization of user association (UA) and resource allocation (RA) in MEC enabled UDNs under the green energy supply pattern, users need to perceive the green energy status of base stations (BSs) and choose the one with abundant resources to associate. To minimize the computation cost for all users, the optimization problem is formulated as a mixed integer nonlinear programming (MINLP) which is NP-hard. In order to solve the problem, a deep reinforcement learning ( DRL)-based association and optimized allocation (DAOA) scheme is designed to solve it in two stages. The simulation results show that the proposed scheme has good performance in terms of computationcost and time out ratio, as well achieve load balancing potentially.