综述了炼钢过程中合金减量化的研究现状,分别从合金的基本物理化学特征、合金的加入工艺和炼钢工艺三大方面讨论了合金收得率的研究进展情况.重点介绍了合金粉化控制技术、合金在真空条件下的损失控制技术、合金的熔化控制技术和合金替代技术的应用,为炼钢过程中的合金减量化研究提供借鉴.合金减量化技术的应用前景非常可观,合金的损失途径和损失机理研究、合金的结构设计、合金的替代技术和合金的管理管控技术可以作为炼钢过程中合金减量化研究的重点方向

烧结矿是我国高炉炼铁的主要原料,烧结矿质量将直接影响高炉冶炼及炼铁工序的经济技术指标.因此,基于铁矿粉的高温特性进行优化配矿从而改善烧结矿的产质量对于炼铁工序节能增效具有十分重要的现实意义.铁矿粉的液相流动性是非常重要的烧结高温特性指标,适宜的液相流动性可以使烧结矿获得较高的固结强度.本文模拟实际烧结黏附粉层中铁矿粉颗粒与钙质熔剂质点的接触状态,采用FastSage热力学计算和微型烧结可视化试验方法研究了固定CaO配比条件下铁矿粉的液相流动性及其主要的热力学液相生成特征影响因素.研究结果表明,采用固定CaO配比与固定碱度的熔剂配加方式下,铁矿粉的液相流动性规律明显不同.铁矿粉的液相生成量是影响其液相流动性的最主要液相生成特征因素,液相生成量越多则铁矿粉的液相流动性指数越大.铁矿粉液相流动性的配合性机制是基于其液相生成量的线性叠加原则.脉石矿物含量将在一定程度上影响铁矿粉的液相流动性,随着SiO2含量的升高铁矿粉的液相生成量减少,从而导致液相流动性指数显著降低;而Al2O3含量增加,液相流动性指数略有升高

基于K均值聚类法对转炉出钢过程的合金损耗进行了研究，分析了影响合金损耗的关键因素，并将其分为3个聚类，得到转炉出钢合金损耗最低的工艺模式。在此基础上，开发了基于PCA-BP神经网络和混合整数线性规划的合金减量化智能控制系统，并以某炼钢厂为例进行了实际应用。通过对模型进行在线运行，验证了模型的准确性和实用性。使用该模型后，提高了合金化钢液成分准确度，减少由传统人工经验计算配料造成的成本浪费和成分超标等情况，优化了合金配料方案，降低了炼钢合金化成本，不同钢种铁合金加入总成本降低5.95%～14.74%，平均降幅11.72%

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

针对膏体充填技术中添加絮凝剂对尾砂浓密后浓度提高有限，且屈服应力增大，流动性降低等问题，研究了絮凝剂?浓密增效剂共同作用，进一步提高全尾砂膏体充填料浆浓度，降低料浆屈服应力，并从微观角度进行机理分析. 结果表明：通过沉降与流变试验发现，最佳添加工艺为加入絮凝剂沉降完毕后再加入浓密增效剂，固相质量分数可提高8.57%～10.13%，同时屈服应力降低6.68～12.85 Pa；多组分浓密增效剂不仅能降低单耗与成本，还可以提高膏体充填材料的抗压强度；灰砂质量比1∶12并添加浓密增效剂的膏体充填材料28 d抗压强度为2.5 MPa，与灰砂质量比1∶6未添加浓密增效剂的膏体充填材料强度相差小于20%；通过总有机碳（TOC）吸附试验与Zeta电位试验发现，浓密增效剂具有吸附与分散的作用，会打开絮凝结构，释放絮团间水，从而提高尾砂浓度，并改善尾砂颗粒的流动性

针对矿山充填中拜耳法赤泥利用率较低或低浓度赤泥充填材料存在强度低、泌水量高、易收缩等问题，研究粉煤灰添加比例、脱硫石膏、石灰及激发剂对赤泥充填材料早期强度及体积稳定性的影响，采用扫描电子显微镜-能谱仪（SEM-EDS）和X射线衍射（XRD）分析手段探讨赤泥基充填材料的水化机理。结果表明，脱硫石膏促进钙矾石的生成，石灰促进粉煤灰火山灰效应，激发剂可以加快赤泥?粉煤灰水化反应进程，三者协同作用提高赤泥充填体强度。充填材料28 d抗压强度3.35 MPa，且初始及60 min流动度在200 mm以上。微观实验表明，硬化体水化产物为钙矾石、硬柱石、硅铝酸盐凝胶类矿物，水化产物通过填充孔隙，提高浆体强度。赤泥基充填材料固体废弃物利用率达到92%，无泌水，无沉缩，具有较高的经济价值和环保价值

为探究新型混凝土受硫酸盐侵蚀后的力学性能，采用质量分数为5%的硫酸盐溶液全浸泡加速侵蚀法，对11组聚丙烯纤维混凝土（PC）试块、11组聚丙烯纤维锂渣混凝土（PLiC）试块、8根PC大偏心受压柱和8根PLiC大偏心受压柱进行侵蚀试验，得到了不同侵蚀时间下混凝土的力学性能。基于分形理论分析了试块及构件破坏时表面裂缝分布的分形特征，详细讨论了试块及构件表面裂缝分形维数与其侵蚀时间、抗压强度、极限承载力之间的关系。研究表明，PC和PLiC立方体抗压强度随侵蚀天数先增加后降低，在120 d达到最大；试块及构件破坏时表面裂缝分布具有分形特征，试块表面裂缝分形维数随侵蚀天数的增加呈现先增加后减少再增加的规律，随试块抗压强度的提高而减少；PC及PLiC混凝土大偏心柱极限承载力随侵蚀天数的增加先增加后减少，锂渣的掺入可以提高聚丙烯纤维混凝土柱的抗硫酸盐侵蚀能力，构件破坏时表面裂缝分形维数随硫酸盐侵蚀天数呈现震荡上升的趋势；因此混凝土表面裂缝的分形特征可作为判定构件损伤程度的指标之一，可为今后对在役混凝土结构承载力和寿命预测提供参考

利用动电位极化、电化学阻抗、恒电位极化以及恒电流极化等电化学测试手段，并结合扫描电镜进行点蚀形态观察，探究了含Cl－溶液中SO2－4浓度对316L奥氏体不锈钢的钝化行为及点蚀行为的影响．结果表明，含Cl－溶液中SO2－4的加入能够使316L不锈钢钝化区变宽，使点蚀电位变正，维钝电流密度降低，进而提高316L的耐点蚀能力．但是在点蚀发生后，随着SO2－4浓度的升高，点蚀内部和边缘形态表现出更为复杂的趋势，蚀坑的周长面积比明显增大．

从智能合约、智能法律合约等概念入手，依据现行法律条目的要求对智能合约法律化问题进行探讨，指出智能合约法律化需满足文法要求、非赋权原则、审查准则三个基本规则，并以典型智能法律合约语言SPESC、CML为实例剖析了其法律效力，辨析使其与原合同文本具有同等法律效力需满足的条件。进而，结合智能合约系统架构及部署运行过程，在对所部署智能合约进行法律化辨析基础上对区块链智能合约及其链码的法律地位进行了论证。最后，对当前智能法律合约逻辑模型与语言模型的研究进展进行总结，并加以讨论和评价。上述工作表明当前智能法律合约研究是一条解决智能合约法律地位的可行途径，有利于从现行法上把握智能合约在合约逻辑、仲裁流程、形式化验证等方面的未来发展方向

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确