高含盐工业废水处理技术研究进展

现代工业生产的工业废水往往含有超量的有机危害物或过量的盐、酸碱等,在对此类废水进行处理时,传统的方法将无法起到有效的作用。且由于此类废水同样不适宜微生物的生长,利用微生物进行污水处理的方式也受到很大的局限。对于这种工业排污废水,在实现有机物的降解之外,还需要实现无机盐和废水的分离来达到排污标准。对现在针对高含盐废水的成熟处理技术进行了总结,介绍了几种常见处理技术的特点及应用,以及他们在实际高盐工业废水处理中的作用和一些问题。通过对现有高盐废水的处理技术的分析和了解,可以针对不同类型的高盐废水使用不同的处理方式以达到最大的经济效应,并且对实现排放量最小化具有重要意义。     

镍基高温合金GH202高温氧化后的微观组织演变

研究了镍基高温合金GH202在800~1100 ℃高温氧化后晶粒、碳化物和强化相的演变过程。采用透射电子显微镜、扫描电子显微镜和电子背散射衍射对其微观结构进行了表征。结果表明：镍基高温合金的硬度随氧化温度的升高而降低，1100 ℃氧化100 h后，硬度降低了43.5%。800和900 ℃氧化后晶粒生长速度较慢，而经900 ℃氧化后晶界碳化物析出显著增加。在1000和1100 ℃氧化后，晶粒尺寸明显增大。氧化过程中晶界迁移是由晶界两侧自由能差决定，温度越高，晶界向曲率中心迁移越快，大量细小晶粒被吞并形成了大晶粒。大块状碳化物（MC）分解成大量的碳原子，与Cr原子结合形成少量的富Cr颗粒状M₂₃C₆。在900 ℃氧化150 h后，M₂₃C₆演化为富Ti的M₆C。随着氧化温度的升高，碳化物在γ相中回熔。在800、900和1000 ℃氧化后，γ′相逐渐长大，在1100 ℃氧化100 h后，完全溶解于γ相。     

基于生物强化法下低浓度工业废水处理实验研究

现代工业生产的工业废水往往含有某些有机危害物等，传统的方法将无法起到有效的作用，且利用微生物进行污水处理的方式也受到很大的局限。针对此类的污水处理问题，以延边化工厂中含酚废水为实验样本，通过控制变量法筛选得到化学处理法的最佳浓度，并对比了传统化学法，生物强化法和复合法3种处理模式对废水中酚类物质的降解效率和处理成本。结论表明，化学法处理污水的1 h后降解率达到78.35%,15 h后仍未完全降解。而生物强化法和复合法在1 h后的降解率达到了88.44%和92.03%，降解率达到100%的时间分别为15 h和9 h。综合考虑污水的处理效率和处理成本，利用传统的化学法与生物强化技术对污水进行复合处理在大幅度提高污水处理效率同时，也降低了成本，这为低浓度工业废水的处理提供一定的参考。     

超声强化过氧化氢-维生素C体系糖汁脱色的研究

研究超声强化过氧化氢-维生素C复合脱色剂体系对糖汁脱色的规律,考察了超声功率、复合脱色剂用量、超声温度和时间对糖汁脱色率的影响。试验结果表明:超声空化强化过氧化氢-维生素C对糖汁具有良好的脱色效果,当处理糖汁量为100 mL,超声功率为260 W,过氧化氢与维生素C的用量均为1.6 mL,空化温度为70℃,超声时间为6 min时,脱色率达到53.4%。通过正交试验分析,得到各个因素对糖汁脱色率影响的主次关系为:超声功率>复合脱色剂用量>超声时间>空化温度。     

碱铝硅酸盐玻璃化学强化关键影响因素概述

化学强化是一种玻璃机械强度增强方法,适用于异型、超薄、高碱、高膨胀玻璃增强,因新型超薄显示产品的屏幕保护玻璃发展需要,化学强化技术重新在碱铝硅酸盐玻璃品种掀起研究热潮。本文对化学强化本质及铝硅酸盐玻璃在屏幕保护玻璃应用进行了回顾,基于玻璃化学强化的高CS、DOL和低CT诉求,归纳总结了关键影响因素,第1,碱铝硅酸盐玻璃的成分及结构是基础,氧化铝有利玻璃网络孔隙增大创造交换通道,氧化钠或氧化锂是离子交换关键物质;第2,对于玻璃组成和结构设计,要求玻璃网络键合度R=O/Si或O/(Si+Al)满足2.15~2.40,碱金属氧化物质量分数大于13%且膨胀系数大于6×10^-6/℃;第3,在化学强化工艺方面,化学强化温度决定离子扩散系数,化学强化时间决定DOL,一步法仅能获得相对较大的CS,而DOL不很理想,只有两种离子参与交换的二步法才有利于CS和DOL同步提高。     

基于深度强化学习的多模态医学图像配准

传统图像配准方法中,图像特征的表示和相似性测度的选择易受到人为因素的影响,不能准确地表征图像特征和配准图像的相似度,从而对配准结果产生较大误差.针对此问题,借助端到端的强化学习方法,对这2个部分进行隐式的表达,从而避免人工设计的缺陷.具体而言,设计了一个人工智能体模型,由策略网络和价值网络2部分组成,用以指导浮动图像朝着参考图像的方向正确移动,进而实现图像配准.提出使用异步表演者-评论家方法进行模型训练,以避免经验回放操作,降低模型训练对存储容量的要求并加快模型的收敛;同时提出一种奖赏函数,能够给予每个时间步上图像配准动作估计更为准确的奖励.此外,在测试阶段,使用了蒙特卡罗前向推理策略,进一步提高配准参数的准确性.在MR和CT的临床医学图像配准数据集上进行实验,与传统基于尺度不变性配准算法、基于深度学习配准算法等进行对照分析,实验结果表明,所提出的方法目标配准误差可以减少30%左右,同时能够更好地处理具有大幅度形变的配准问题.     

基于强化学习的煤层气井螺杆泵排采参数智能决策

为了实现煤层气井螺杆泵排采参数的连续决策和连续控制，使煤层气井长期高效稳产，以煤层气井螺杆泵生产周期内最大累积产气量为优化目标，提出了一种具有动作自寻优能力的螺杆泵排采强化模型的框架和Q学习及Sarsa、Sarsa(lambda)算法。研究通过与环境的交互式学习，对动态环境进行灵活奖惩，实现智能体在复杂环境下智能决策和参数优化，可有效获取煤层气螺杆泵排采最优协调控制,从而解决传统方法不能根据环境变化迅速做出调整而降低排采效果的问题。实验分析表明，给定煤层气井产气量的变化曲线，以螺杆泵的频率为单一控制变量，应用Q学习方法能有效得到螺杆泵排采变频控制的最优策略，具有一定的应用潜力。     

基于Q-learning模型的智能化放顶煤控制策略

传统的综放工作面放顶煤控制存在顶煤采出率低、出煤含矸率高等问题,而现有智能决策方法又存在建模困难、学习样本难以获取等障碍。针对上述问题,在液压支架放煤口动作决策过程中引入强化学习思想,提出一种基于Q-learning模型的智能化放顶煤控制策略。以最大化放煤效益为主要目标,结合顶煤放出体实时状态特征及顶煤动态赋存状态,采用基于Q-learning的放顶煤动态决策算法,在线生成多放煤口实时动作策略,优化多放煤口群组协同放煤过程,合理平衡顶煤采出率、出煤含矸率的关系。仿真和对比分析结果表明,该控制策略的顶煤平均采出率为91.24%,比传统"见矸关窗"的放煤方法提高约15.8%;平均全局奖赏值为685,比传统放煤方法提高约11.2%。该控制策略可显著减少混矸、夹矸等现象对放煤过程的影响,提高顶煤放出效益,减少煤炭资源浪费。