快速溶剂萃取-水浴氮吹-高效液相色谱法检测土壤16种多环芳烃

建立了快速溶剂萃取-水浴氮吹-高效液相色谱法检测土壤样品中16种多环芳烃（PAHs）的方法。分别对比了快速溶剂萃取与索式抽提、旋转蒸发浓缩与水浴氮吹浓缩、硅酸镁固相萃取柱与硅胶固相萃取柱净 化的预处理效果,经实验对比后,确认优化预处理条件为：快速溶剂萃取温度120℃,静态萃取时间16min,萃取次数两次,水浴氮吹浓缩,氮吹温度40℃,浓缩液经硅酸镁固相萃取柱净化。方法检出限和测定下限分别为0.21～0.47μg/kg和0.84～1.88μg/kg。在优化条件下,加标水平为0.5mg/kg时,目标物加标回收率为72.66％～113.90％,替代物加标回收率为69.25％,108.63％,相对标准偏差（n＝7）为0.69％～11.8％,适合实际土壤样品中PAHs的检测。     

螺杆泵试采一体化技术研究与应用

螺杆泵的历史较长,在30年代初期,在各行业得到了推广应用。50年代初期,螺杆泵被用作石油工业中的人工举升设备,并作为一种代替常规举升工艺的替代技术推向市场。从90年代中期起,螺杆泵在原油举升方面得到广泛应用。长庆油田采油二厂2011年起,开始试验性应用,取得了较好的效果。目前采油二厂产建新投井以三叠系丛式井组为主,气油比较高（90-110m3/t）,且部分井存在硫化氢等有毒有害气体。新投井试油手段单一,仅依靠修井车的抽汲设备进行试油求产,而后安装抽油机及井口设备,下油管杆投产,工序复杂,且试油、投产过程中井口不密闭,易造成井喷、中毒及环境污染等事故。本文重点论述了螺杆泵的一种新型应用工艺,试采一体化采油作业。即采用螺杆泵在试油、采油过程中密闭、变频求产并直接连流程正常生产,可以大大简化作业工序,降低作业费用,提高安全生产系数。     

热提质过程中褐煤的碎裂特性

研究固定床和回转窑工艺的褐煤热碎裂特性.结果表明:固定床工艺中产物碎裂程度随温度及入料粒度增加而增加.当温度为400~700℃、入料粒度为6~13mm时,总碎裂率α为20.43%~36.94%,粉化率β为5.03%~9.24%;入料粒度增为20~25mm,α由25.03%增至80.63%,β为4.35%~5.60%.回转窑工艺中回转速率为褐煤碎裂主要因素,当温度为105~230℃、入料粒度为13~20mm、转速为5r/min时,α为66.67%~78.41%,β为10.26%~14.78%,产物碎裂、粉化程度较高;转速由3r/min增为9r/min,α由57.63%增至75.82%,β为11.05%~11.88%.通过对热提质褐煤的孔隙结构、挥发分含量及表面相貌分析,得到了褐煤热碎裂的复合生成因素:孔隙结构变化、水汽行为、挥发分析出及热加工工艺参数.     

怎样减小液压压下油缸摩擦力

本文从冶金方面分析了压下油缸摩擦力     

双支撑旋涡泵的性能分析和基于Fluent的流场分析

介绍双支撑旋涡泵高可靠性的特点,对其流场进行建模,并进行分析,为旋涡泵的发展奠定了理论基础。     

机械电气一体化设备安装技术要点探讨

随着经济的高速发展,我国的科学技术也不断推陈出新,面对新型市场的需求,机械电气一体化已经成为了一种发展趋势。面对这样的发展前景,我国机械电气化设备的安装需要不断提高技术,本文便针对这一问题,对机械电气一体化设备安装技术要点进行系统分析,希望能为相关人员提供一定的理论指导。     

热电分厂乏汽、疏水回收利用措施

综述了热电厂乏汽、疏水回收利用的方式方法,对节能降耗起到了良好的效果。     

硅石性能对高硅合金冶炼影响

依据高硅合金生产原理以及目前硅石的使用情况,结合XRD分析、物理性能分析、反应性能分析以及实际使用分析,对比研究了不同物化性能硅石对高硅合金冶炼控制及硅元素回收率的影响原因,通过分析证实,合理选用硅石,能够有效提高高硅合金生产指标,降低能源消耗。     

Linux中核外进程恢复的策略和实现

Linux核外进程恢复可采用先产生原进程整体构架,再恢复断点信息的方法来实现。即用进程中断时的上下文结合相应的恢复代码,与原可执行文件一起产生一个新文件,使该文件在产生原进程整体构架后,就执行恢复代码,恢复出断点处的上下文,然后从断点处继续原来进程的执行。     

基于深度学习的网络传输数据异常识别方法

互联网技术的广泛普及使得网络用户数量急剧增加，网络传输数据体量也随之增大，在多种因素的影响下，内部异常数据占比也越来越高，为网络数据传输、应用带来了极大的困难，为此提出一种基于深度学习的网络传输数据异常识别方法。该方法在LSTM神经网络模型的应用下，大幅度提升了评价指标——F1值，能够更加精确的识别异常数据，为网络传输数据的应用与处理提供更有效的方法支撑。应用高斯混合模型分割网络传输数据集合（训练集合/测试集合），引入深度学习技术——LSTM，构建网络传输数据异常识别模型，根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据，基于梯度下降法制定构建模型训练程序，确定异常数据判别规则，将测试集合输入至训练好的识别模型中，输出结果即为异常数据识别结果。实验数据显示：应用所提方法后，F1值呈现波动状态，最小值为83.70%，最大值为94.50%，符合数据异常识别需求，证明该方法具备可行性。