王水溶解-电感耦合等离子体发射光谱法测定铁矿石中的微量磷

样品经王水分解后,在电感耦合等离子体发射光谱仪上测定了样品溶液中磷的含量。通过实验确定了基体元素的干扰、酸度、样品提升量、雾化气流速、功率、观测高度、分析谱线等分析条件。通过铁的干扰实验结果表明,样品中的基体元素铁不影响磷含量的测定。在用Ｐ178.222 nm分析线测定时,方法的检出限为P 0.0006％（相对于0.1ｇ样品,定容至100 mL）,相对标准偏差在3.14%～6.04％（ｎ＝11）,样品加标回收率在92%～110%。方法测定样品中磷含量的结果同光度法测定结果对比数据相符。     

基于铜纳米簇的谷胱甘肽非标记检测

以抗坏血酸为还原剂、聚乙烯吡咯烷酮(PVP)为模板分子,合成了 PVP稳定的铜纳米簇(PVP-CuNCs).利用谷胱甘肽(GSH)对PVP-CuNCs荧光信号的增强作用,建立了非标记检测GSH的新方法.该方法对GSH检测的线性范围为30～800μmol/L,检出限为1.2μmol/L,具有较好的选择性.PVP-Cu N...     

基于STM32的智能小车设计

针对单片机技术在智能硬件产品设计开发中的应用,文章设计并开发了基于STM32的智能小车系统。该系统包括循迹功能单元、避障功能单元、核心控制单元、电机驱动单元、云台摄像头单元。其中,核心控制单元以STM32F407IGT6单片机作为核心控制芯片。整个STM32的智能小车系统采用CAN总线通信。多个处理器同时工作,数据处理更加流畅稳定。该智能小车系统能够实现自动循迹、超声波测距、语音播报、ETC自动开关闸、无线充电、图像识别、车牌识别等功能。     

材料力学教学深层互动探索与实践

大学课堂教学中影响教学质量的主要问题是学生的学习态度,如何调动学生学习的积极性,是每位任课教师需要深入思考的问题。本文以材料力学课程教学为载体,结合管理学中的二八定律,以大学生力学竞赛为契机,研讨教师与学生之间的深层互动交流问题。深层互动分为课程授课中的互动和力学兴趣小组的互动两个层次,通过互动一方面为优秀学生打开上升通道,另一方面将优秀学生树为榜样,潜移默化中影响其他学生的学习态度,进而改善整个班级的学习风气。实践表明,深层互动教学模式能有效激发学生学习材料力学的兴趣,取得了良好的教学效果。

     

基于Multisim分析RLC并联谐振电路的特性

基于Multisim仿真软件研究RLC并联谐振电路,利用软件输出电路的幅频特性、相频特性和电压电流的波形,得出谐振频率、品质因数值和各部分电压电流之间关系与理论相比较,使学生进一步熟悉并联谐振电路的原理及特性,方法简单易行,适用于高校物理实验教学.     

高气压氦气平行极板击穿电压及场致发射的影响

本文建立了高气压下的氦气放电模型,通过与试验对比,验证了模型的有效性,并利用该模型对高气压下场致发射的影响进行了探讨.通过Fowler-Nordheim方程将电流密度转化为电子通量,并将电子通量添加到COMSOL相应的壁边界条件中进行仿真,在宏观层面(击穿电压)以及微观层面(空间电子密度)进行分析.研究发现,场致发...     

基于离散傅里叶变换的直流微电网储能调控方法研究

当前直流微电网储能调控方法易产生电网负荷不平衡功率,调控结果可靠性低.基于傅里叶变换提出了一种新的直流微电网储能调控方法.建立电网数据拓扑结构,设定完整子集,从而为主体空间供应能源,实现储能数据获取,建立储能系统功率分界点,分析配置经济成本,建立最低成本,利用离散傅里叶算法对混合储能容量调控方法进行求解,获得最优的调控...     

基于"微服务+分布式"架构,构建数智化和生活合作服务体系

多个业务线(移动应用商城、和生活、权益中心等)均涉及商城商品运营,各业务存在大量外部资源合作的需求,目前资源(除互联网权益,互联网权益多数可从权益中心接入)接入方式为各个业务线各自商务洽谈,各自建立自己的资源池,商品中心,进行资源引入及管理,多个业务线资源存在交叉,重复对接引入.团队设计人员以微服务+分布式架构设计...     

基于AI技术的无线机房能耗智能管控新思路研究

为了解决当前无线基站机房能耗管控策略僵化、能源消耗与维护成本高居不下、主设备关断方式实施性差等问题,本文从机房节能重要性出发,深入探讨AI人工智能技术在新风和空调系统联动节能以及RRU/AAU硬关断节能等方面的应用。以“AI技术”为核心,搭建面向运营商无线基站机房的AI智能管控系统,输出如何使用人工智能技术来设计控制策略,实现新风系统和空调系统的联动节能,提升机房节能策略动态调整能力,使机房节能效果最大化,为通信行业的节能减碳提供创新思路。     

WSNs中一种基于强化学习的跟踪调度算法

目标跟踪是无线传感器网络(Wireless Sensor Networks, WSNs)中一项应用广泛的技术,旨在估计目标在监控区域内移动时的位置。为了探索网络在跟踪精度和能量效率之间的最佳权衡,结合目标的动态特性,提出了一种基于强化学习(Reinforcement Learning, RL)中Q学习框架的传感器调度算法。通过设计与能量效率和跟踪性能相关的奖励函数,网络中的传感器节点能用最小的能量开销实现对目标的高精度跟踪。仿真结果表明,所提算法相较于传统算法不仅在跟踪精度上实现至少1.1%的增益,并降低同时刻下至少34.1%的节点平均剩余能量值,对于提升目标跟踪的性能有一定指导意义。