排序方式: 共有67条查询结果,搜索用时 15 毫秒
1.
将甲烷水蒸气重整制氢反应与熔融碳酸盐燃料电池技术相结合,构成了以甲烷为燃料气的直接内重整熔融碳酸盐燃料电池(D IR-M C FC)。考察了影响电池性能的条件,发现反应气压力增加会提高电池性能,反应气压力由0.1M Pa升至0.6 M Pa,在150 m A/cm 2下,电池电压约提高200 m V;增加甲烷流量利于提高电池性能,但需要合理选择甲烷的利用率;常压下,进气水碳比为1时同等电流下电池初始电压较进气水碳比为2时高30~50 m V,而在0.6 M Pa下这两种进气水碳比对电池初性能影响不大;0.6 M Pa、水碳比为1时,催化剂容易积碳,从而降低电池运行的稳定性,因此,电池在较高压力下运行时应适当提高进气水碳比。 相似文献
3.
4.
以高直链玉米淀粉G50和G70为原料,经酸解、糊化、脱支和重结晶步骤获得III型抗性淀粉,通过退火与压热处理以进一步提升淀粉的抗性比例。采用扫描电子显微镜、X射线衍射、差示扫描量热、快速黏度分析等方法,研究淀粉颗粒形貌、结晶结构、热特性及糊化特性,利用Englyst法测试淀粉消化特性。结果表明:高直链玉米淀粉G50和G70酸解后的得率分别为77.9%和84.5%,重结晶后的得率降为54.4%和70.2%。原G50和G70改性后,淀粉颗粒形貌被破坏,形成大小不等、颗粒形貌不规则的团聚体;淀粉结晶型由B+V型转变为A+V型,且结晶度升高;淀粉糊化温度升高,且加热过程中黏度几乎消失。溶解与膨胀特性结果表明,经酸解、糊化、脱支和老化处理后原G50和G70的溶解性显著升高,退火和压热处理后降低了III型抗性淀粉的溶解性和膨胀度。体外消化特性分析表明,改性后的G50和G70具备更强的抗消化性能,抗性淀粉含量最高可达80.5%(G70-RS3-压热20%)。本研究的改性处理能有效提高高直链玉米淀粉G50和G70中抗性淀粉含量,同时抗性淀粉含量与结晶度和糊化温度呈显著正相关。 相似文献
5.
因为水基电解质隔膜流延法制备具有高效、低成本、低污染等优点,故提出了一种以流延机制备电解质隔膜工艺过程,主要针对以α-LiAlO2为粉料,蒸馏水和聚乙烯醇(PVA)的混合溶液为黏结剂,通过流延机流延制备大面积高强度环保型的水基电解质隔膜,并对隔膜和电池性能进行了测试。结果表明:所制备水基隔膜平均孔径为0.217 μm,孔隙率为61.63%,通过组装1.5 kW电堆进行实验验证,0.7 V恒电压下放电最大功率在1.718 kW,比设定值1.5 kW超过13%,功率稳定输出在1.5 kW运行超过了900 h。该研究为后期大功率熔融碳酸盐燃料电池研发奠定基础。 相似文献
6.
7.
基于点的模型数据往往非常庞大,因此怎样在有限的硬件环境下对庞大的点云数据进行压缩传输和实时绘制成为基于点的图形学中两个最重要的问题.回顾了基于点的绘制的最新研究进展,将基于点模型的压缩算法分为渐进压缩编码和单分辨率压缩编码两类分别进行介绍和分析比较,并给出了一些研究建议. 相似文献
8.
霉变是造成粮食损失的重要原因,为了降低损失,将危害控制在萌芽状态,提前预测预警意义重大。本研究利用MATLAB的神经网络工具箱建立了预测粮食霉变的BP神经网络,给出了稻谷在给定含水率、温度、储藏时间的条件下是否会发生霉变的预测模型。同时,通过合理选择训练样本的数目,探究训练样本数量对网络精度的影响,并通过华北地区实仓数据验证由实验数据得到的BP神经网络在实际应用中所能达到的准确程度。经过验证,对于实验数据,训练样本数目大于400时,神经网络预测正确率可以达到94.3%;样本数越大,正确率越高。随机选择2 500个实验室样本数据进行训练得到的神经网路预测模型,对剩余样本预测准确率达到98%,对于实仓检测数据,正确率可以达到82.1%。 相似文献
9.
结合国产主被动遥感数据高分六号(GF-6) PMS和高分三号(GF-3)双极化PolSAR估测森林蓄积量,并针对多源遥感数据的冗余问题进行特征组合优化。以新疆巩留县天然林地为研究区,提取GF-6 PMS数据的光谱信息、植被指数、纹理以及植被覆盖度信息和GF-3 PolSAR数据的后向散射系数、极化分解参数,结合地形因子,在森林样地调查数据的基础上,利用快速迭代特征选择的 K 最近邻法(K-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS)估测研究区的森林蓄积量。对比国产主被动遥感数据和单一遥感数据源时的估测结果,基于最优特征组合反演研究区的森林蓄积量,结果表明:联合GF-3 PolSAR和GF-6 PMS数据估测研究区森林蓄积量的精度为 R2=0.72,RMSE=92.48 m3/hm2,相比于仅使用GF-6 PMS数据估测的精度(R2=0.56,RMSE=118.8 m3/hm2),R2提高了0.16,提高了28.6%,RMSE降低了26.32 m3/hm2,降低22.2%。说明主被动遥感数据协同反演可以提高森林蓄积量估测精度,KNN-FIFS方法可以有效地估测天然林森林蓄积量。 相似文献
10.