新型污水生化参数测试仪的研制和应用

介绍了ＤＯ、ＢＯＤｓ、Ｒｓ、ＫＬａ及α、β、θ等污水处理工程常用生化参数的测试原理和仪器应用。用ＢＯＤｓ替代ＢＯＤ５使测试时间从５天缩短到２０分钟，参数值一致。上述参数的测试仪器已鉴定投产。     

液化气小区供应的理论与实践

本文介绍了液化气小区供应的设计方法和实践，详述了钢瓶数量的确定，气化器选择与计算，管道工艺计算的方法，对液化气小区的供应具有现实意义。     

飞灰和煤混合吸附剂从水溶液去除铬染料的研究

对不同比例的飞灰和煤的均匀混合物吸附去除水溶液中的Ω铬红 ME(一种普通的铬染料)进行了研究.注意到低浓度吸附物质、小颗粒吸附剂、低温及酸性介质有利于染料的去除.当飞灰和煤的此例为1:1,颗粒粒径为53μm、pH=2.0、30℃,吸附质浓度为10mg/1时,上述染料的去除率达到1005.分别采用 Lagergren 和 Mekay 等提出的模型进行动力学和传质研究,平衡数据与 Langmuir 吸附模型相吻合,表明吸附剂外表面形成了染料分子的单分子覆盖层.根据吸附质的溶解度和化学势解释了温度的影响.用固液界面的各种物理化学性质解释研究结果进行了尝试.     

三起振动失效带来的启示

通常，压力容器设计、制造和使用单位，对容器上的主要受压元件，如果其载荷类型能界定，载荷的特性参数及结构尺寸能确定，有经典的计算公式，一般均能严格按照有关法规、标准进行强度、刚度计算或校核。并提出相应制造、检验与使用要求；但往往漏掉了一些潜在（或无法界定、缺乏相应物理参数）载荷的计算，尤其忽视了在特定的使用条件下，对一些非主要受压元件或非受压元件的设计、制造、检验与使用，有针对性地提出要求。     

基于几何参数的优化对双层柱面网壳结构动力性能的影响

以双层柱面网壳为研究对象,采用参数化设计语言APDL对AN SY S进行二次开发,实现了任意跨度双层柱面网壳的自动建模、加载、施加约束及求解。借此平台对柱面网壳结构进行模态和地震反应分析。首先,分析了结构自振特性随几何参数变化的特点,研究了结构的基频随矢跨比和网壳厚度的变化规律,结果表明,当矢跨比在1/3.6~1/5该范围内,结构的整体刚度较大;网壳厚度在1.8~2.1 m时,网壳整体刚度较大;对于矢跨比一定的网壳,随着厚度的增加,杆件的动内力大多增加,横向弦杆的二维与单维动内力比值有所增加,而纵向弦杆的二维与单维动内力则变化不大。然后,对网壳进行不同几何参数下的地震反应分析,给出了最大节点位移和最大杆件轴应力随几何参数变化的时程响应曲线,揭示了这类网壳的地震反应特点。     

羊角月芽藻摄取磷形态的动力学研究

将湖水中的磷分成总溶解磷,溶解反应磷,总反应磷、溶解的水解性磷,溶解的光解性磷。研究其在羊角月芽过程中的变化。     

偕胺肟合铁(Ⅲ)纤维对α-萘酚的吸附

以腈纶纤维为原料络合Fe3+制得偕胺肟合铁(Ⅲ)纤维,用其处理α-萘酚溶液,研究了偕胺肟合铁(Ⅲ)纤维对α-萘酚的吸附工艺条件和吸附动力学参数。实验结果表明,偕胺肟合铁(Ⅲ)纤维对α-萘酚的最佳吸附工艺条件为pH=3.0、吸附温度313.15K和吸附时间45min。在最佳工艺条件下,偕胺肟合铁(Ⅲ)纤维对α-萘酚的吸附在所研究的α-萘酚浓度范围内符合Freundlich等温吸附方程。未达到饱和吸附前,偕胺肟合铁(Ⅲ)纤维对α-萘酚的吸附符合一级反应动力学特征。     

分类收集蔬菜垃圾与植物废弃物混合堆肥工艺实例研究

以分类收集的生活垃圾(主要为蔬菜垃圾)和破碎树枝为原料,采用条垛式堆肥工艺,在中试规模条件下考察了原料初始含水率、通风频率、翻堆频率、接种比例4种因素对混合堆肥效果的影响.同时,在试验的9种工况下,对温度、氧浓度、有机碳降解率、有机碳氮比(C/N)、腐殖质含量等指标进行测定.结果表明,堆肥42d时各堆体均已达到稳定化要求.经过比较肥分保持、腐殖化程度和能量投入等指标,获得的最优堆肥控制条件为:初始含水率65%,通风频率15min/60min(开/关),翻堆频率为每3d1次,产物接种比例5%.最优控制方案下的主发酵通风率仅为0.03L.min-1.kg-1(以VS计),可实现堆肥过程的低能耗,适合于我国村镇区域的应用条件.     

基于VMD排列熵与FASSA-SVM的滚动轴承故障研究

提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs）,其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中,最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明,FASSA-SVM方法的平均测试集诊断准确率高达99.8%,该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。