新型旋流分离一体机的分离性能分析

针对旋流器无法对粒径在10 μm左右的固相颗粒进行有效分离的问题,提出了一种过滤分离与旋流分离相结合的新型结构,并对内部流体速度场、压力场的变化和空气柱的稳定性进行了数值分析,对过滤介质的过滤通量和分离效率进行了实验研究.发现在相同操作参数和结构参数下新型旋流分离一体机具有更稳定的内部流场,内部速度、压力降更大,当粒径大于5 μm后旋流分离一体机的分离效率迅速提高,在10 μm 左右的固相颗粒的分离效率能够达到65%~85%,而实验所用普通旋流器的分离效率在60%以下.     

800 MPa级耐酸管线钢高温热塑性研究

以一种800 MPa级耐酸管线钢铸坯为研究对象,采用Gleeble 3500试验机对其高温力学性能进行测试,运用金相显微镜、体视显微镜、扫描电镜及显微硬度计,对实验钢拉断后的微观组织、断口形貌及显微硬度进行表征。结果表明,在600～1000℃温度范围,实验钢种的断面收缩率均大于70%,表现出了较好的高温热塑性,但热塑性曲线在700～850℃之间出现了塑性低谷区,这与原始奥氏体晶界处先共析铁素体网膜的析出有关,故铸坯矫直温度选择应避开该温度区间。此外,实验钢还具有较好的高温强度,600℃下抗拉强度可达353 MPa。     

在中职物理教学中提升学生创新能力的认识和体会

以中职物理教学课改精神为指导，结合中职学生现状和中职教育的特点，本文主要研究中职教师在中职物理教学中，如何引导、培养学生学习物理理论的实际运用，从而达到提升学生创新能力的目的。     

网络系统异常处理的数学模型

物流以网络流方式运行,网络中顶点有中转容量,同时也有顶点环流容量,顶点环流使用顶点分开为入点和出点的方法来表示.当网络流发生异常变化时,可引起顶点环流增加或减少的变化;而顶点环流也可以起到对网络流异常的调节作用,使网络保持一个可行流.     

Markov随机模型的算法研究

综述了国际上关于Markov过程及相关随机模型算法的研究现状 ,包括平稳解、瞬态解、首达时间、多维可数状态Markov过程的算法研究等 ,并讨论了进一步工作的展望 .     

魏孝文帝改革后的封建统治者不是地主

魏孝文帝改革后的封建统治者不是地主徐光有，李从军，吴小芬北魏孝文帝在经济上的改革，主要是推行均田制、三长制和新的租调制，确立以均田民或电田民劳动为基础，以国家土地所有制为前提的封建生产方式。长期以来．有些《中国古代史》和《魏晋南北朝史》著作．将魏孝文...     

可数状态马氏过程的瞬态解及其算法

有限状态马氏过程瞬态解(在时刻t,过程处于各状态的概率)的求解算法已有不少工作,如Grassmann,Gross和Miller,Reibman和Trivedi等.可数状态马氏过程的瞬态解算法却只有几种特殊的情形被讨论过,如Grassmann在初始时刻系统中无顾客的条件下,讨论了系统M|M|1的瞬时性态的求解算法;Zhang和Coyle在初始时刻过程处于1水平时,得到了拟生灭过程的瞬态解算法.本文则在任意初始条件下,研究一般可数状态马氏过     

自适应控制在冷连轧张力厚控系统中的应用

本文分析了冷连轧机张力厚控系统,表明该系统是时变动态系统,从而确定使用最小方差自校正调节器应用于该系统。对实际系统进行了辨识模型并在此基础上进行了仿真研究。结果表明了自校正调节器控制效果优于PID调节器,而渐消记忆的递推最小二乘法是一种较好的在线辨识算法。将自校正调节器应用于实际张力厚控系统,使得带铜厚差得到明显改善。     

X(2)级联过程产生能量无损耗的高量值五阶非线性相移

针对二阶非线性X(2)级联产生等效五阶非线性的过程, 研究发现基频光感应到的级联五阶非线性相移会随着其在整个过程中所遭受到的能量损耗的加剧而增大. 与材料固有非线性所产生的多光子吸收效应有着本质的区别, 该级联非线性过程中所形成的基频光能量损耗是可控的. 在数值模拟计算的基础上, 提出了在级联五阶非线性过程之后引入倍频光与基频光相互作用的差频过程, 最终实现了基频光在感应到大的级联五阶非线性相移的同时无能量损耗效应.     

生理条件下稀土及钙、锌离子与L—羟脯氨酸配位作用的研究

稀土元素的应用越来越广泛,而其特有的生物效应也日益受到人们的重视.钙、锌均是生命必需元素,具有多种重要生物功能,进入体内的稀土离子必将与半径相近以及配位作用接近的金属离子如Ca~(2 )等发生作用,从而表现出一系列生物效应,同时又由于稀土离子丰富的光磁性质,做为钙等生命必需元素的生物探针亦得到应用,L—羟脯氨酸是人体重要氨基酸,其在人体血浆中的浓度与必需氨基酸相近,研究稀土、钙、锌离子与氨基酸的配位作用不仅对考察稀土在生物体内与生命元素的作用以及由此而引起的生物放应具有重要意义,而且还可以开拓稀土生物探针应用领域,稀土与氨基酸的作用研究已经很