德兴铜矿废石排放与堆浸筑堆相结合的探讨

本文阐述了德兴铜矿祝家废石场为满足废石排放和堆浸喷淋的双重工艺要求 ,提出了具体的措施和有利于二者的新布局构思     

爆破有毒气体的污染预报

在爆破后很短时间内形成的蘑菇云和缓慢从爆堆中散发出的爆堆溢出气体构成了爆破毒气的总量.依据气体的运动特点,分别把它们看成是瞬时体积源和不规则体积源.溢出气体扩散采用积分烟团模式,通过模型简化及扩散系数修正,建立了露天矿空气污染评价模型,并利用它对大冶铁矿的爆破进行了较为准确的污染预报.     

不同粒径分布分维数铀矿石的浸出规律

为了研究堆浸铀矿石粒径分布对堆浸效果的影响,配置5组不同粒径分布分维数的铀矿样进行室内柱浸试验,测定不同时刻浸出液的铀浓度和pH值,计算对应时刻的浸出率和酸耗。结果表明：分维数越大的铀矿样,浸出液中铀离子浓度峰值出现得越迟、峰值越小,且在峰值出现后,铀离子浓度越大;在浸出初期,分维数越大的铀矿样,浸出率越低,这种差距在浓度峰值出现之前逐渐增大,峰值过后逐渐减小;而在浸出后期,分维数大的铀矿样的浸出率依次逐渐超过分维数较小的铀矿样的浸出率,并保持进一步扩大的趋势;在浸出初期,若要获得相同的浸出率,分维数越大的铀矿样,其酸耗量也越大,酸耗量的差距随着浸出时间的延长先增大而后逐渐减小;在浸出后期,要获得相同的浸出率,酸耗则出现相反的变化情况。     

滤材沉积耦合电场吸附捕收载金粉炭的实验研究

载金粉炭随贫液上浸堆,造成金流失且在堆中截留金,对此应开发捕收方法。首先,通过检测与分析,发现粉炭在贫液中具有高液固比、难团聚、难沉降、难电泳的特点,常规手段难以捕收,应采用滤材沉积耦合电场吸附。之后,筛选滤材,通过沉积实验发现沉积率与表面粗糙度正相关,优选表层具有孔道结构的聚丙烯无纺滤材,孔径应为粒径D80的1.5倍,即20μm。最后,将支撑滤材的部分结构改为电极,形成电场,增强吸附。通过实验发现,耦合板网状电极,在场强为5 500V/m时效果最好,沉积率为55%,沉积量为108.95 g/m²,且电流强度不足以破坏氰根或造成电极金属沉积。该研究为在大流量、高液固比液体中回收带电微细颗粒提供了一种手段。     

软基预处理中的堆载预压及其监测

对某电厂Ⅰ期堆煤场地软基的堆载预压排水固结预处理方法进行了论述,并以原位监测资料做验证分析后,认为该设计方法是合理的,可为类似工程提供有益的借鉴。     

煤堆上采样时子样点布置的探讨

为了明确在煤堆上采取煤样时采样点的布置,通过对3种典型煤堆——圆锥形、楔形和长方台形煤堆的顶、腰、底部的体积(质量)计算,得出了顶、腰、底部的体积(质量)比例,从而得到了3种典型煤堆的顶、腰、底部的子样点布置比例,对煤堆采样子样点的合理布置提供科学指导。     

一种改进的模糊连接点聚类算法

传统的模糊连接点FJP聚类算法采用基于欧氏距离的最大 最小合成运算法生成传递闭包,该方法所生成的传递闭包存在失真问题,即包含有较多错误的数据关联信息,最终造成算法聚类精度低且计算时间长。针对以上问题,提出一种改进的模糊连接点聚类算法：先用组合核函数计算数据集的模糊相似度矩阵,提高算法对数据非线性特征的辨识能力,并用大顶堆存储之;然后遍历传递闭包矩阵中的空元素,用堆顶的桥元素填充传递闭包的空元素,直至生成传递闭包。在测试数据集上的实验结果表明,本文算法的平均聚类精度较传统FJP算法有20%以上的提升,显著改善了传递闭包的失真问题;另外,在大型数据集上的计算效率亦优于传统FJP算法的,说明本文改进FJP算法的思路是有效的、可行的。     

铀矿堆浸尾渣胶结充填体强度特性试验及其应用

采用清水、氨水以及CaO等三种中和剂对铀矿堆浸尾渣进行中和试验,以确定合适的中和剂。将确定的中和剂以及渣浆浓度、灰渣比按一定比例配制成胶结充填体标准试样,采用RMT-150B岩石力学试验机,测试其不同龄期的抗压强度。根据测试结果,选用渣浆浓度为80%、灰渣比为18的胶结充填体对某铀矿工业性试验采场进行了充填,同时还对其进行了应力测试。研究结果表明,CaO是比较理想的中和剂,其耗量为尾渣干重的0.2%;渣浆浓度、灰渣比是影响堆浸尾渣胶结充填体强度的关键因素,其强度与渣浆浓度成正比,与灰渣比成反比;渣浆浓度为80%、灰渣比为18的堆浸尾渣胶结充填体,龄期为7d时,其抗压强度大于2 MPa,塌落度为13mm;选用该配比的堆浸尾渣胶结充填体的试验采场应力测试结果远低于其抗压强度,有效地控制了该矿试验采场深部开采的地压。     

基于动态行为分析的网页木马检测方法

网页木马是一种在网页中插入攻击脚本,利用浏览器及其插件中的漏洞,使受害者的系统静默地下载并安装恶意程序的攻击形式.本文结合动态程序分析和机器学习方法,提出了基于动态行为分析的网页木马检测方法.首先,针对网页木马攻击中的着陆页上的攻击脚本获取行为,监控动态执行函数执行,包括动态生成函数执行、脚本插入、页面插入和URL跳转,并根据一套规则提取这些行为,此外提取与其相关的字符串操作记录作为特征.其次,针对利用堆恶意操作注入shellcode的行为,提出堆危险指标作为特征.最后从Alexa和VirusShare收集了500个网页样本作为数据集,用机器学习方法训练分类模型.实验结果表明：与现有方法相比,文中方法具有准确率高（96.94%）、能有效对抗代码混淆的干扰（较低的误报率6.1%和漏报率1.3%）等优点.