排序方式: 共有157条查询结果,搜索用时 15 毫秒
41.
随着社会和工业化进程的快速发展,水体中的重金属离子对环境以及人类的健康有着严重的危害,人们对含重金属离子废水的处理问题越来越重视。以淀粉为模板,通过共沉淀法和改变反应条件(淀粉-铁离子比例、铁离子-氢氧化钠比例、反应时间和反应温度)制备了多种Fe_3O_4纳米颗粒,并探究了不同吸附条件(吸附时间、pH值、温度和Cu~(2+)的浓度)其对Cu~(2+)的吸附性能的影响。研究结果表明,吸附时间为1 h,pH值为11,温度为50℃,对Cu~(2+)的浓度为0.338 mmol/mL的废水的吸附效果最佳,均达90%。 相似文献
42.
活塞-缸套系统是内燃机重要的摩擦副之一,活塞-缸套的表面质量影响着活塞-缸套系统的摩擦学性能,进而直接影响整机的服役性能。针对珩磨缸套表面 2D 粗糙度参数的局限性与表面粗糙度非接触检测方法研究,提出一种基于广义回归神经网络(GRNN)的珩磨缸套表面 3D 粗糙度图像检测方法。通过运用灰度共生矩阵(GLCM)提取缸套表面图像的纹理特征参数,并分析纹理特征参数与 3D 粗糙度间的相关性。以图像纹理特征参数作为输入,分别采用 GRNN 和多元回归分析 (MRA)建立 3D 粗糙度检测模型,通过与试验检测结果对比验证了模型的准确性。GRNN 检测模型获得的可决系数 R2均值 (0.962)优于 MRA 检测模型,且均方误差 MSE 均值(0.07)更小,与试验检测结果对比可知,采用 GRNN 建立的珩磨缸套 3D 粗糙度检测模型具有更高的精度,与实测 3D 粗糙度的相对误差均值为 7.9%。所建立的 3D 粗糙度检测模型具有较高的检测精度。 相似文献
43.
目的 提高单张纸印刷机理纸机构的理纸效率,使纸张快速、平稳地降落到收纸台上,从而提高整个印刷机的工作速度。方法 本文从空气动力学的角度,对单张纸印刷机高速运行状态下待收的纸张进行受力分析,构建单张纸印刷机理纸机构气流的空气动力学模型,用于指导理纸机构的优化。结果 提出了基于空气动力学分析的胶印机理纸机构优化思路,对南京造币公司J20型印刷机的理纸机构进行了优化改进。实验结果表明,优化后的机构理纸故障率减少了30%左右。结论 该研究对印刷机理纸机构的机构设计与优化开创了一个新的思路,此优化设计的机构收纸故障率明显降低。 相似文献
44.
45.
通过纤维分析仪、傅里叶变换红外光谱仪(FT-IR)、扫描电镜(SEM)研究4种废纸(废新闻纸、废箱纸板、办公废纸、废书刊纸)纤维的表面形貌和结构特性;然后以聚乳酸(PLA)为基体、4种废纸纤维为增强体,利用注塑成形法制备废纸纤维/PLA生物可降解复合材料并探究废纸纤维对复合材料界面相容性和力学性能的影响。结果表明,废新闻纸纤维表面受损严重,多处出现扭结及横节纹;废箱纸板及废书刊纸纤维形态完整,扭结程度低且表面较为粗糙;办公废纸纤维长径比较大、细小纤维含量较少、纤维形态特性良好但表面相对光滑。废新闻纸/PLA复合材料和办公废纸/PLA复合材料的界面相容性较差,废纸纤维对PLA基体力学性能的增强效果一般;废箱纸板/PLA复合材料和废书刊纸/PLA复合材料的界面相容性较好,且废纸纤维有一定承力作用,对PLA基体弯曲性能和拉伸性能的改善效果较好。 相似文献
46.
47.
聚酰胺皮层的物化性质是决定反渗透复合膜(TFC-RO膜)物质筛分和水透过效率的关键性因素。近年来,基于超薄皮层(通常<50nm)的高性能复合膜研究取得了重要的进展。本文总结并分析了超薄皮层反渗透复合膜的研究进展,如低单体浓度控制技术、分子层层自组装(mLBL)、静电打印技术、界面优化技术及新型纳米材料技术的成膜机理及特性,对比了各项制备技术的优缺点。总体来说,超薄皮层反渗透复合膜的研究为精细设计聚酰胺皮层的物化结构,进一步设计更高效率的反渗透复合膜提供了重要思路,但超薄皮层与聚酰胺层微纳结构之间的相互联系以及超薄皮层反渗透复合膜长期运行的稳定性仍需进一步探索。 相似文献
48.
针对纸蜂窝与聚乙烯泡沫的2种复合层状结构的缓冲防护作用,研究分析在不同跌落冲击条件下蜂窝厚度对其加速度响应、压缩变形和缓冲吸能特性的影响规律。在静态压缩中一层蜂窝对应一个应力波峰,而跌落冲击动态压缩中较大厚度蜂窝会出现次坍塌行为导致的小应力波峰,蜂窝厚度的增加能够提高聚乙烯泡沫及其复合层状结构的抗冲击能力。对于厚度为10、15、20、25 mm的纸蜂窝与聚乙烯泡沫的复合层状结构,在低冲击能量作用下蜂窝厚度的增加降低了缓冲吸能特性,而在高冲击能量作用下蜂窝厚度的增加能提高能量吸收能力。但是,大厚度70 mm纸蜂窝与聚乙烯泡沫的复合层状结构的缓冲吸能效果相对较差。对于相同的蜂窝厚度情况,在相同的冲击质量或冲击能量作用下,单面复合层状结构的应变能、比吸能和行程利用率相比双面复合层状结构分别提高了11.5 %、39.1 %和16.2 %,缓冲吸能效果更好。 相似文献
49.
在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100%的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景. 相似文献
50.