排序方式: 共有16条查询结果,搜索用时 0 毫秒
2.
为研究脂肪酸不饱和度对低阶煤浮选的影响,选择碳原子个数相同但双键个数依次增加的油酸、亚油酸和亚麻酸作为浮选捕收剂对低阶煤进行浮选,并与非极性捕收剂柴油进行对比,通过颗粒-气泡间粘附力测试和药剂吸附的分子动力学模拟,揭示了不饱和脂肪酸强化低阶煤浮选的作用机制.结果表明,不饱和脂肪酸的浮选性能优于柴油,低阶煤浮选产率随脂肪酸不饱和度增加而增加.采用扫描电镜(SEM)、傅里叶变换红外光谱(FTIR)和X射线光电子能谱(XPS)对低阶煤表面形貌和官能团进行分析.SEM结果表明,低阶煤表面疏松,含有大量孔隙与裂隙,不利于药剂在煤表面的铺展.FTIR和XPS结果表明低阶煤表面含有大量含氧官能团,表面疏水性较差,导致浮选回收率较低.对不同捕收剂条件下气泡与煤表面粘附力进行测定,发现气泡与煤表面间最大粘附力随捕收剂不饱和程度增加而增加,这说明颗粒可浮性增加.进一步对不饱和脂肪酸吸附的分子动力学模拟进行分析,可知不饱和脂肪酸通过其极性基团与煤表面极性基团间形成氢键,从而在煤表面铺展.双键个数增加使得不饱和脂肪酸极性增加,在煤表面的铺展程度逐渐增加,导致颗粒可浮性增加,这是低阶煤浮选回收率随脂肪酸不饱和程... 相似文献
3.
4.
5.
6.
7.
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%. 相似文献
8.
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%. 相似文献
9.
10.
为了研究(十二烷基三甲基溴化铵)DTAB 对石英-气泡间相互作用的
影响,采用黏附/脱附测试系统、接
触角测量仪和表面张力仪对 DTAB 体系下亲水性石英玻璃基板与气泡间相
互作用力、表面接触角以及溶液表面张力
进行了测量。 结果表明:在 DTAB 体系中,石英玻璃基板与气泡间的黏附力
/脱附力随着 DTAB 浓度的增加先增加后
减小,在 DTAB 浓度为 1 mmol/L 时,脱附力达到最大,为 129. 9 μN;
石英玻璃基板表面接触角也呈现类似的变化规
律,在 DTAB 浓度为 4 mmol/L 时,接触角达到最大,为 51. 8°,较石英
玻璃基板与气泡间黏附力/脱附力而言,接触角的
变化具有一定的滞后性。 这是由于黏附力/脱附力受石英玻璃基板表面
接触角和表面张力协同支配,在 DTAB 存在体
系下,当接触角达到最大时,溶液表面张力已下降至 35. 95 mN/m,导致
石英玻璃基板与气泡间黏附力/脱附力提前出
现下降趋势。 进一步用浮选动力学试验加以验证,浮选结果表明,当浮选体
系中加入 1 mmol/L DTAB 时可以获得精
矿产率为 97. 10%的指标。 浮选结果与黏附力/脱附力曲线得到的结果
保持一致。 相似文献