焦粉的综合利用途径

随着资源的日趋紧张和环保意识的增强,焦粉的综合利用成为科研工作者关注热点之一。在对焦粉来源和特性分析的基础上,从回配炼焦和制合成气或燃料两个方面论述焦粉的规模化利用,从制活性炭、电极材料和制分子筛角度讨论了焦粉的高附加值利用。并对焦粉的利用趋势进行了展望。     

普光气田集气总站水洗脱氯工程项目管理难点与对策探析

普光气田集气总站水洗脱氯工程是中石化集团公司重点项目、油田重点工程、普光气田一号工程。项目通过总体统筹、科学安排、紧盯难点、精心组织,克服安全管理要求高、施工难度大、严寒酷暑等诸多困难,历经17个月,全面完成项目各项设计指标,东西区碰头比原计划分别提前7天和8天完成,并分别于2018年7月11日和9月20日实现气田复产一次成功,从根本上消除了氯离子对下游净化厂装置、管线带来的安全隐患,为气田"安稳长满优"运行打下了坚实基础。     

离子液体回收循环利用的研究进展与趋势

离子液体是完全由阴阳离子组成的绿色可设计溶剂。因为其稳定性好、极低挥发性及独特的物理化学性质,使其在诸多领域具有巨大的应用潜力,近年来已成为研究热点。由于离子液体相对昂贵的生产成本,随着应用规模及范围的逐渐扩大,如何高效回收循环利用离子液体受到极大关注,成为离子液体产业化必须要解决的难题之一。本文概述了近年来在离子液体回收应用方面的研究进展,重点探讨了利用蒸馏、萃取、膜分离、吸附分离以及相分离等方法回收离子液体存在的优势及不足。分析表明,离子液体的回收和循环利用将极大促进离子液体产业的发展,但目前的规模仍然偏小且多处于研发阶段,在此基础了提出了未来拟重点开发的回收利用技术及发展趋势。     

混杂纤维在无石棉摩擦材料中的应用研究

通过开发一种以矿物纤维、玄武岩纤维、玻璃纤维、碳纤维预氧丝等纤维混杂为增强材料,适用于载重货汽车的无石棉制动片配方。在选择配方所用的原材料方面,特别是在增强材料纤维的选择上,选择三种以上的纤维来混杂,保证各种纤维能做到取长补短。另外针对无石棉纤维普遍存在表面积比较小,吸附性差的特点,在纤维使用前,对纤维进行表面活性处理,使最终的产品在进入市场后有较好的性能稳定性及市场前景。     

新疆哈密市大水锰矿矿床成因及找矿模型探讨

红柳河-大水锰矿带是东天山成矿带的主要组成部分,其成矿带内的大水锰矿规模最大,锰矿石品位较高,有重要的工业价值。本文以大水锰矿为例,从矿床地质特征,矿体矿石特征入手,结合控矿因素分析其矿床成因,明确找矿标志,建立综合信息找矿模型,为该区的接下来的锰矿勘察工作指明方向。     

5G移动通信室内覆盖解决方案研究

4G方兴未艾,5G已然走来。5G业务的多样化,对网络的要求也越来越高,尤其是室内网络。5G具有高频、高流量、高流量、高可靠性等特征,传统的室内解决方案无法有效满足其业务需求,多样化、组合式室内解决方案等逐步成为主流。文章分析了室内5G业务需求和传统室内解决方案面临的问题,提出4种解决方案,并对其和传统室内解决方案进行组合式分析,最后给出了分场景的适用建议。     

基于卷积神经网络的反无人机系统图像识别方法

针对无人机的无证飞行和随意飞行严重影响和威胁公共安全的问题,提出了反无人机系统。识别无人机是反无人机系统实现的关键之一,为此提出了一种基于卷积神经网络的图像识别无人机方法。运用自制光学系统采集设备采集了不同型号的无人机图片以及鸟类图片,设计了针对无人机小样本识别的卷积神经网络和支持向量机。运用设计的卷积神经网络分别对MNIST数据集、无人机图片以及鸟的图片进行了识别,同时也运用支持向量机识别无人机和鸟的图片,进行了对比实验。实验结果表明,设计的卷积神经网络在MNIST数据集上识别准确率为91.3%,识别无人机准确率为95.9%,支持向量机识别准确率为88.4%。对比实验表明,提出的方法可以识别无人机和鸟以及不同类型的无人机并且识别结果优于支持向量机,可用于反无人机系统识别无人机,给同类研究提供了借鉴。     

基于弹性-黏弹性对应原理的复合材料层合板模态阻尼预测:理论及其有限元实现

提出一种利用通用有限元软件求解复合材料结构模态阻尼的有限元方法。该方法基于扩展弹性-黏弹性对应原理,定义出具有频率依存性的黏弹性复合材料复刚度矩阵,并借助ABAQUS提供的二次开发接口UMAT将其编入求解器中,结合复特征值法求解任意铺层层合板的模态阻尼。与已有的理论方法相比,本模型的计算结果更为接近实验数据。从而验证了本文提出的数值分析方法的有效性和精确性,为利用ABAQUS软件分析各向异性材料阻尼提供了一条有效途径。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。