为了研究不同絮凝条件下超细尾砂的絮凝效果, 本文基于超级絮凝理论, 应用超级絮凝测试仪UFT-ТFS-029, 采用相对絮凝率表征人造超细尾砂在pH值为9~12、絮凝剂单耗fd=2~20 g·t-1、料浆剪切速率γ=100~2000 s-1、料浆固体体积分数φ=2%~14%等条件下的絮凝行为. 发现相对絮凝率随着pH、絮凝剂单耗、剪切速率的增加均先增加后减少, 而随着浆料固体体积分数的增加逐渐减少, 并获得了一定条件下的最优絮凝条件, 即pH值为11、fd=12 g·t-1、γ=500 s-1、φ=4%. 同时, 固体体积分数越高, 达到最优相对絮凝率所需的最优剪切速率对固体体积分数的依赖性也越高. 因此, 在实际生产中需要对pH、絮凝剂单耗、剪切速率与固体体积分数等工况参数进行调整, 以达到最优絮凝效果. 应用超级絮凝理论可实现超细尾砂在极短时间内实现很好的絮凝, 为基于流场剪切速率与停留时间的深锥浓密机进料井设计提供参考

作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性

选择5种不同层理倾角的千枚岩进行单轴一次加卸载试验，探讨层理倾角对千枚岩变形破坏过程中能量演化及岩爆倾向性影响.试验结果如下：各岩样应变能演化相似，在应力峰值前表现为能量积聚，峰值后为能量释放和耗散.但随着层理倾角的增大，其储能极限、残余弹性能和最大耗散能均呈U型变化，通过拟合在60°均取得最小值；随层理倾角增大，在峰前岩样的弹性能比例值呈倒U型变化，其中在60°取得最大值，表明峰前在60°处用于层理压密做的功最少.而且在峰前最大弹性能比例随层理倾角增加变化幅值较小，体现出峰前层理倾角对储能效率影响较小.在峰后弹性能比例下降幅度大小为60° > 30° > 45° > 90° > 0°，说明含0°层理岩样的峰后裂隙发育最不充分表现出的脆性最大；结合弹性变形能指数(Wet)和冲击能量指数(Wcf)的优点建立新判据储能性能和峰后继续破坏耗散能的比例(W)，并计算各倾角岩样的W值，其从小到大为60°→45°→30°→90°→0°

为提高储氢反应器的传热及吸放氢速率, 对现有金属氢化物反应器进行了系统的综合分析与评价.基于强化传热传质特性, 设计优化出了一种高效的新型椭圆螺旋微管束反应器(ESMBR), 其具有结构紧凑、传热效果好、反应速度快及操作方便等特点.对研究的储氢反应器进行了建模, 并通过实验验证了该模型的准确性和有效性.通过COMSOL软件对比ESMBR、圆形螺旋微管束反应器(SMBR)和直管微管束反应器(MTBR)的数值模拟结果得出, ESMBR在储氢时具有优异的传热传质性能.进一步的敏感性分析结果表明, ESMBR中椭圆螺旋管结构参数的敏感性顺序为主直径(Dc) >椭圆截面长轴(A) >椭圆截面短轴(B) >节距(Pt) >螺旋角度(α).采用多元价值取向模型对不同的反应器方案进行了系统的分析评估, 结果表明: ESMBR的综合优度高达0.845, 对比结果也明显优于其他反应器, 在氢能领域将有广阔的应用前景

采用Gleeble-3800D热模拟试验机在应变量0.6、变形温度750~1050℃、应变速率0.01~1 s-1工艺条件范围内, 研究了Fe-(5.5%、6.0%、6.5%) Si高硅电工钢的热变形与动态再结晶行为.采用线性回归方法, 建立了三种成分实验钢的流变应力本构方程.计算得到Fe-5.5% Si、Fe-6.0% Si和Fe-6.5% Si高硅电工钢的热变形激活能分别为310.425、363.831和422.162 kJ·mol-1, 说明Fe-(5.5%、6.0%、6.5%) Si高硅电工钢的热变形激活能随Si质量分数的增加而增大, 这使得Fe-(5.5%、6.0%、6.5%) Si高硅电工钢相同条件下的变形抗力随Si含量的升高而增大.采用金相截线法对不同成分和变形条件下实验钢的动态再结晶百分数进行了统计, 结果表明: 同一热变形条件下, Fe-(5.5%、6.0%、6.5%) Si高硅电工钢的动态再结晶百分数随Si质量分数的升高而减小.本文实验条件下, 当变形温度为750~850℃时, Fe-(5.5%、6.0%、6.5%) Si高硅电工钢软化机制主要为动态回复; 而变形温度为950~1050℃时, Fe-(5.5%、6.0%、6.5%) Si高硅电工钢软化机制主要为动态再结晶

Ca和Sr是铸造铝硅合金中最有效的变质元素,一般在浇铸前以中间合金的形式加入.然而在废杂铝熔铸再生工业中,原料中常含有微量的Ca和Sr,预控它们在熔炼过程中的含量变化是它们再利用的前提.本文以工业A356铸锭为原料,实验研究了熔炼温度和保温时间对Ca和Sr质量分数变化规律的影响.结果表明:Ca和Sr质量分数随着保温时间延长均呈Exp3P2规律下降,且随熔炼温度升高质量分数下降速率均逐渐提高.根据热力学和动力学分析可知,在废杂铝熔炼再生过程前期主要发生[Ca]和[Sr]与熔体中的氧发生氧化反应生成CaO和SrO,这些氧化物又会与Al2O3反应生成Al2O3·6CaO和Al2O3·SrO,经扒渣操作后Ca和Sr质量分数下降.在熔炼中后期,[Ca]和[Sr]以扩散至熔体表层还原Al2O3的方式使它们的质量分数降低.计算得出在660~740℃熔炼A356合金时Ca和Sr氧化反应的表观活化能分别为182.6 kJ·mol-1和117.8 kJ·mol-1,两者均受化学反应过程控制.根据Ca和Sr质量分数的变化规律建立了它们的质量分数预报模型,经生产验证表明预报误差均小于10%,可用于预报废杂铝熔炼再生过程Ca和Sr的质量分数

以数字化柔性挤压成形砂块为研究对象，通过设计单因素试验进行了砂型种类、粘结剂质量分数及挤压压力对型腔表面质量影响规律的研究，进而得出高精度树脂砂型挤压成形的最优参数组合。结果显示：无模砂型外部与砂型内部的表面性能存在差异。不同砂型种类的砂型型腔表面性能不同，沙粒的角形系数对砂型型腔表面性能有较大影响。随着砂型挤压力的提高，砂粒之间的距离减小，砂粒并联接触方式增多，砂型在经过切削时，砂型表面产生裂纹的数量及延伸深度大幅减小，砂型型腔表面性能不断提高。随着树脂质量分数的增大，砂粒的包覆厚度增大，从而砂粒的粘结桥增多，砂型强度增加，砂型切削时产生的裂纹数量减小，砂型型腔表面性能不断提高。本文为真实获得砂型表面质量提供了方法，有助于无模铸造精密成形技术的推广

为了研究工艺参数对连续流化床内铁矿粉还原效果的影响规律,建立了两级连续流化床内氧化铁还原及煤气氧化耦合动力学模型.R1级流化床主要为FeO的还原,采用优质煤气作为还原剂,FeO来自R2级反应器;R2级流化床主要将Fe2O3还原到FeO,Fe2O3来自预热的R3流化床反应器,还原气来自R1还原尾气.模型主要计算结果与文献吻合.并以此为模型研究了矿粉粒度、流化床内压力等参数对流化床还原效果的影响.为了取得矿粉平均金属化率不小于85%、煤气利用率不低于38%和气矿比950~1050 m3·t-1的还原效果,流化床应满足如下工艺条件:矿粉平均粒度1.5 mm以下,流化床温度780~800℃,煤气还原势不低于93%,惰性气体体积分数小于5%,R1流化床内煤气平均压力3.5×105~4.0×105 Pa,停留时间的倒数ug/H=1.0~1.1 s-1,R1流化床矿粉平均停留时间30 min,R2流化床矿粉平均停留时间20 min

在初始泥层高75 cm和耙架转速为0、0.1、1和10 r·min?1条件，以及耙架转速为0.1 r·min?1和初始泥层高度为75、45和25 cm条件下，采用FBRM和PVM实时在线监测技术，对动态浓密系统泥层脱水过程絮团结构演化进行原位连续观测，获得了泥层脱水过程中，絮团直径、数量分布特征和实时图像。研究结果表明，尾矿浓密过程中絮团直径和数量随剪切时间延长呈现先增长后降低，再保持稳定的状态。根据絮团直径变化程度，将絮团密实化过程分为絮团生长期、絮团重构期和絮团破碎期3个阶段。在剪切速率0.1 r·min?1和初始泥层高度75 cm实验条件下，有利于絮团生长和絮团快速破裂重构，并提高絮团密实化程度，但过高的剪切速率作用对絮团结构影响程度下降。剪切速率的增加造成絮团平均直径减小，同时絮团平均直径减小的速率上升。随着初始泥层高度增大，絮团生长阶段时间更长，絮团直径峰值更大，重构期较长，絮团平均直径随初始泥层高度增加而增大。尾矿絮团分形维数可以反映絮团结构变化特征，结合PVM图像的分形维数和孔隙率计算，分析了剪切破坏力与絮团凝聚力存在的相互平衡关系，基于这种动态平衡对絮团破裂程度的影响，研究了尾矿浓密过程中的絮团密实化规律

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率