通过吸附量测试、纯矿物浮选和红外光谱分析,研究Cu2+和Ni2+离子在蛇纹石表面的吸附过程及对蛇纹石浮选的活化机理.Cu2+和Ni2+离子在蛇纹石表面的吸附符合二级动力学模型,等温吸附过程符合Langmuir等温吸附模型,吸附能够自发进行,为物理吸附和化学吸附的共同作用,Cu2+和Ni2+离子在蛇纹石表面的吸附量随p H值升高而增大.Cu2+和Ni2+离子在弱碱性条件下对蛇纹石具有活化作用,活化机理为铜镍的氢氧化物沉淀和羟基络合物作用于蛇纹石表面,形成活性位点,黄药在活性位点上吸附生成黄原酸铜或黄原酸镍,从而使蛇纹石表面疏水性增大,浮选受到活化

第一章装置概况 第一节工艺流程简述 第二节主要设备工艺控制指标 一、闪蒸塔T-101 二、常压塔T-102 三、减压塔 四、常压炉F-101,减压炉F-102,F-103 第三节主要调节器、仪表 第二章装置冷态开工过程 第一节开车准备 第二节冷态开车 第三章装置正常停工过程 第一节降量 第二节降量关侧线阶段 第三节装置打循环及炉子熄火 第四章紧急停车 第五章事故列表 第一节原油中断 第二节供电中断 第三节 循环水中断… 第四节 供汽中断 第五节 净化风中断 第六节 加热炉着火 第七节 常压塔底泵停 第八节 (常顶回流阀)阀卡10% 第九节 (减压塔出料阀)阀卡10% 第十节 闪蒸塔底泵抽空 第十一节减压炉息火 第十二节抽-1故障 第十三节 低压闪电 第十四节高压闪电 第十五节原油含水 第六章评分细则 第一节评分规则 第二节冷态开车质量评分 第七章下位机画面设计

生产中发现原本板形良好的镀锌后带钢,经过卷取成卷运至下道工序(彩涂)再开卷后,带钢边部出现了严重的密集边浪,使带钢因无法涂层而成废次品.通过现场实测分析和运用逐层迭代法对卷取过程中带钢弹性变形行为解析求解,以及定量研究钢卷卷取层数、卷取张力、带钢厚度和板廓负凸度等因素对带钢在卷取状态下的应力场和位移场的影响,揭示出产生这一现象的力学背景.以解析分析结果和现场实测结果为依据,提出了卷取工艺参数的改进方案并投入生产使用,彻底消除了卷取过程产生的带钢边部板形缺陷,使机组的产品板形质量和成材率明显提高

在深入分析机架偏心作用机制的基础上,提出了轧机偏心补偿控制信息相域滤波提取方法,它利用机架偏心轧制作用强度与轧制过程中轧辊的机械转动相位密切相关的特点,将轧机的时域轧制数据转换为以轧辊转动相位为参变量的数据进行处理.在线性化相域空间中,与轧辊偏心作用相关的信号呈现出显著的周期化特征,而其余的原时域周期信号在转换过程中均被非周期化.在线性化相域空间中,将轧辊转动轧制作用的往复周期作为指定的循环统计量统计周期.理论分析表明,基于统计方法能够有效地消除噪声的影响,同时抑制非指定线性化相域循环分量,实现机架偏心特性信息的有效获取,其实质是线性化相域空间中的梳状滤波器滤波.依据统计获取的机架偏心特征信息可以为轧机偏心补偿提供一定的数据参考

以La2O3,MnO2和SrCO3为原料,通过固相反应合成SOFC的阴极粉料LSM,利用XRD,TGA/DTA热分析仪等现代分析仪器研究了该材料的反应历程.结果发现,实验过程首先出现了La2SrOx相,并在350～1000℃的较大范围内一直存在,到800℃时才出现LaMnO3.通过分析研究,反应过程先是La2O3+SrCO3→La2SrOx+CO2,然后为La2O3+MnO2→LaMnO3,,最后发生La2SrOx和LaMnO3向La1-xSrxMnO3转化.这一结果与人们一致公认的反应历程,即先发生La2O3+MnO2→LaMnO3,然后是LaMnO3+SrCO3→La1-xSrxMnO3有较大差异

采用臭氧氧化法对模拟浮选废水中BK809进行降解处理,并对不同阶段的降解产物进行气相色谱-质谱(GC-MS)分析.结果表明,废水的最佳处理pH值为9~11,当臭氧投加速度为300mg·h-1、臭氧处理时间为20min时,废水中COD去除率为68.68%.GC-MS分析显示:BK809的总降解过程为苯胺首先被氧化成偶氮苯,然后转化为硝基苯,随着氧化的加深,苯环被打开,进一步氧化分解为C15~C25的链状烷烃和气态物质,包括氮的氧化物和碳的氧化物;最终废水中总有机物的质量残留率由原来的100%下降至17.18%.在此过程中,废水的色度则由5.02度逐渐上升至471.71度,然后又逐步下降至28.75度,从宏观上表现为由无色变为棕黄色,又从棕黄色逐渐还原为乳白色

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度