流化床燃烧中N2O生成机理与减排技术

循环流化床(CFB)由于煤种适应性好、负荷调节能力强、污染物排放低等优点近些年获得越来越广泛的应用,然而N_2O排放浓度较高成为制约循环流化床应用的一大因素,因此对N_2O的生成机理以及影响因素进行调研、总结N_2O的减排措施是十分必要的。本文探讨了在循环流化床燃煤中N_2O的生成机理,并对煤的各项性质、床温、过量空气系数等影响N_2O排放的因素进行分析,从各类影响因素出发对现有的N_2O减排技术进行归纳总结,最后对反向分级、混燃生物质及CFB解耦燃烧技术进行了前景展望。     

宜宾地区地热资源产出特征分析

宜宾地区地热资源丰富，现已勘查开发的温泉井具有流量大、温度高、水质好，以含锶、氟、偏硅酸等较多有益物质的理疗热矿水为主等特征。该区域地热水主要发育于二叠系、三叠系的厚层石灰岩地层中，为深埋藏型岩溶水，热量主要来源于地温梯度增温，水质、水温动态变化不明显，其分布产出受北东向构造控制。针对宜宾地区地质、构造、埋深、循环条件等情况，研究该地区地热资源的形成条件、分布特征、地热水补给、径流、排泄条件、水化学特征等，为该区域地热资源开发利用提供科学依据。     

氧化亚硅/石墨/碳复合材料的制备及其电化学性能

采用高能球磨法和高温焙烧法,以氧化亚硅、石墨和葡萄糖为原料,制备了氧化亚硅/石墨/碳(SiO/G/C)复合材料,研究了其最佳制备条件和电化学性能.结果显示,在氩气中700℃下焙烧2h后所制得的SiO/G/C负极材料在质量比为SiO∶G∶C=34∶51∶15时具有最佳的电化学性能.该复合材料首次放电容量为803.5mAh/g,50周时放电容量仍保持在592mAh/g.XRD结果表明,该复合材料主要组成为SiO、石墨和无定形碳.石墨和无定形碳的添加对SiO的电化学性能有显著改善作用.     

八肋游仆虫中心蛋白与铕离子相互作用的电化学研究

使用电化学阻抗法(EIS)和循环伏安法(CV)研究了野生型八肋游仆虫中心蛋白(EoCen)在玻碳电极表面的吸附特性及EoCen与Eu3+的相互作用过程。研究发现EoCen在电极表面的吸附不受电极电势的影响;EoCen与N端中心蛋白(N-EoCen)的吸附性相比,吸附速率相近,吸附自由能相近。CV和EIS滴定实验都证明Eu3+与EoCen形成了配位比为4∶1的配合物。并且滴定曲线能够区分EoCen上的四个金属离子结合位点,与使用光谱方法不能有效区分这四个位点相比,电化学方法更具优势。     

循环应力对储气库岩石微观结构及力学性质影响数值模拟

针对储气库循环注采过程中循环应力对储气库岩石产生疲劳损伤的问题。利用颗粒离散元法建立岩心真三轴数值模型,根据岩心室内试验标定数值模型参数,然后对数值模型进行多周期等幅值轴向循环应力加载,研究循环应力对储气库岩石微观结构及力学性质的影响。结果表明:循环应力加载过程中,模型内生成的无黏结接触数量和微裂缝数量逐渐增多,而生成位置受原始裂缝控制明显,模型孔隙度逐渐减小,且模型内无黏结接触数量、微裂缝数量和孔隙度的变化速率均呈递减趋势;相同应力水平下模型侧向应变和轴向应变均增大,但侧向应变占主导地位;模型弹性模量逐渐降低,而模型泊松比和损伤量逐渐增加,且模型弹性模量、泊松比和损伤量的变化速率均呈递减趋势。     

厚层坚硬顶板爆破弱化控制技术研究

本文基于厚层坚硬顶板的典型地质特征和理论分析结果,确定了垂向爆破弱化高度和循环爆破步距。通过顶板爆破弱化方案设计,将切眼拉槽爆破与两巷超前深孔爆破弱化技术有机结合,设计了炮孔布置方式、钻孔参数、钻具、装药量及工器具等,形成了厚层坚硬顶板爆破弱化控制成套技术,并通过现场观测,证实了该技术的合理性。希望本文的研究能对类似地质条件下工作面坚硬顶板管理提供借鉴。     

三轴压缩与干湿循环作用下灰岩的力学试验研究

南京地铁6号线万寿村站至燕尧路站区间深部主要为灰岩,盾构隧洞贯通后,深部岩体对隧洞维护起至关重要的作用,为了对该地铁深部稳定性提供理论指导,利用MTS815试验机对灰岩在经历干湿循环后进行了常规三轴压缩试验,研究了灰岩在不同次数干湿循环作用下和不同围压下的力学特性,结果表明:(1)受干湿循环作用前后试件的应力—应变曲线较为一致,均经历了较为明显的孔隙微裂隙压密阶段、较长的线弹性阶段、不太明显的屈服阶段和峰后阶段共4个阶段;(2)相同干湿循环次数后的灰岩试件,随着围压的增大,试件的峰值强度和弹性模量逐渐增大,弹性模量增幅不明显.在10次干湿循环后,试件的峰值强度的劣化最高达19.26％.干湿循环次数的增加会使灰岩的弹性模量减小,在10次干湿循环以内减幅较小;(3)围压为0时,试件的破裂模式为拉伸破坏,扩容现象明显;围压为2和4 MPa时,试件主要体现为剪切破坏.相同围压下,破裂模式属于剪切型破坏,随着干湿循环次数的增加,剪切破裂面倾斜度逐渐增大,剪切破坏愈加明显.     

基于门控循环单元神经网络的金融时间序列预测

针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(SP)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。