【摘 要】
：
该文对纳米SiO分散液的性质及纳米SiO作为助凝剂去除水溶性有机物进行了研究.通过调节pH为7及超声波震荡10min后获得了一种纳米尺度的分散液.扫描电镜、透射电镜及激光粒度检测表明该溶液中有99％的SiO颗粒尺寸小于30nm,并且该分散液中的颗粒保持这一尺寸10小时.选取三种代表不同分子量大小的有机物:腐殖酸(HA)、阴离子表面活性剂(SDS)及对氯酚作为典型有机污染物进行纳米SiO作为助凝剂的
论文部分内容阅读
该文对纳米SiO<,2>分散液的性质及纳米SiO<,2>作为助凝剂去除水溶性有机物进行了研究.通过调节pH为7及超声波震荡10min后获得了一种纳米尺度的分散液.扫描电镜、透射电镜及激光粒度检测表明该溶液中有99％的SiO<,2>颗粒尺寸小于30nm,并且该分散液中的颗粒保持这一尺寸10小时.选取三种代表不同分子量大小的有机物:腐殖酸(HA)、阴离子表面活性剂(SDS)及对氯酚作为典型有机污染物进行纳米SiO<,2>作为助凝剂的强化絮凝实验.对腐殖酸这一大分子有机物而言,试验结果表明,用硫酸铝作絮凝剂(20mg/L)及纳米SiO<,2>作为助凝剂(1mg/L)可以去除高达73％的腐殖酸,相对而言,没有纳米SiO<,2>作助凝剂的腐殖酸去除率只有30％.同样强化絮凝条件下,对比大分子腐殖酸,小分子的有机物SDS及对氯酚的去除率要低得多(<8％),这一结果说明纳米SiO<,2>的强化絮凝对大分子物质更有效.此外,pH值、温度、硫酸铝及纳米SiO<,2>的投加量能影响溶解性有机物的去除,对腐殖酸有较好去除的条件为:pH=5~9,硫酸铝投加量为20~40mg/L,SiO<,2>投加量为1~10mg/L.
其他文献
高质量的预测结果对人们的生产生活具有重要的指导意义，有利于人们制定出更可靠的决策方案。预测是根据事物过去发展的现律，估计其未来发展趋势的一种理论。近十几年，各领域专家学者提出了数以万计的预测方法，预测学科得到了突飞猛进的发展。随着大数据时代的到来，挖掘海量非结构化和半结构化数据中蕴含的信息对预测方法提出了新的挑战。同时，如何提高预测方法在特定领域的精度成为了一个预测研究的重要研究方向。深度信念网络
复杂任务往往需要异构多智能体合作才能完成，而联盟是实现合作的重要方法之一。同时，在分布式系统中，通信是多智能体合作执行任务的前提。因此，在同时承担通信和任务执行的条件下，智能体如何合理有效地组建联盟是提高多智能体系统应对复杂任务的关键之一。然而，适合于通信的联盟结构（Coalition Structure,CS）不一定适合于合作完成任务，适合于合作完成任务的联盟结构也不一定能满足通信的要求；因此，
由于决策与人的思维和认识有着密切的关系，决定了决策科学是一个十分复杂的系统科学。在许多现实的决策过程中，由于决策问题自身的复杂性、不确定性和人类思维、认识的模糊性及参与决策的专家个人偏好等不确定性，形成了一类包含语言值数据的不确定决策问题，这类含有语言信息的决策问题一直是决策科学研究的一个难点。 Zadeh教授于上个世纪六十年代建立的模糊集理论，为人们处理模糊的语言信息提供了有力的工具。但是，在
该文所做的工作主要就是围绕其中的图像特征和高维索引展开的.图像特征的重要性在于它是图像检索的基础,一个好的图像检索系统必须能够提取出最能描述图像内容的特征来,否则后面的相似性检索就无从谈起.在诸多特征中,色彩特征是最为常用的一种.它不仅有良好的视觉特性,在复杂背景下有较强的鲁棒性,而且对图像尺寸和拍摄视角等具有相对的独立性.所以也是被使用最广的.目前对于色彩特征的研究,已经从早期的直方图发展到了结
交通流量预测是指通过历史交通数据估计在未来某一时段某一指定区域通过的车辆数量。交通流量预测是智能交通系统的一个重要组成部分，其预测精度对于交通控制系统的有效实现具有重要的意义。虽然交通流量预测问题已研究长达数十年，但是现有的预测方法仍然存在一些不足。这些不足主要表现在：浅层模型难以揭示交通流量数据的内在时空关系；许多方法将特征学习和回归预测分离，使得模型性能下降；手工提取特征不能适应问题的复杂性；
科学技术的发展，尤其是智能移动互联和物联网相关技术的普及，影响了数据的维度、大小、种类以及产生方式，增加了数据的复杂度，从而使数据的标注愈加困难。所以，如何在类标未知的样本中解决模式识别的相关问题成了无监督学习应用的背景。在无监督学习中，聚类和异常检测是两类广泛使用的方法。 早在《战国策.齐策三》中，我们的先人就提出了“物以类聚，人以群分”的思想。近年来，密度代表点这一概念被广泛应用于聚类分析领
随着社会的快速发展，模式识别已在各行各业受到了广泛地关注，并已成为当今社会生活中的实际应用。模式识别研究内容包括了数学、机器学习、计算机视觉、人工智能、神经科学以及认知科学等多门学科，是一个具有挑战性的理论研究难点，也是一个快速发展的挑战性应用问题。作为模式识别的核心内容，特征提取主要研究如何从高维观测数据中学习到有利于识别任务的判别属性，特征提取模型的质量直接决定着模式识别的性能。特征提取研究是
压缩感知是一种新型的信号采样模型，能够通过设置欠定线性系统来有效地捕获和恢复信号。通过利用自然界的信号通常是稀疏或可压缩的特性，压缩感知理论表明通过少部分线性、非自适应的测量值可以高概率地重构信号。在这种新颖的信号采样模型中，压缩过程直接被融入到采样过程中。因此，由于其固有的特征，自提出以来，压缩感知在诸多领域引起了高度关注。 由压缩感知的采样系统可知，投射到随机子空间的测量值可以被视为信息保护
对象跟踪是一个计算器视觉领域内的基本任务，该任务旨在从图像或者视频中寻找出目标物体。该任务在自动驾驶、智能监控、人机交互以及医学成像等多种运用中具有很高的实用价值，因此大量的研究力量被投入其中。然而，在真实的对象跟踪场景中，视频目标跟踪往往会由于复杂场景条件和目标运动的随机性而变得困难。在自然条件下，目标物体经常出现光照变化、旋转、伸缩、遮挡、曝光不足、背景变化、运动的复杂性和随机性等因素，这些都
伴随着人类对自然科学的探索，视觉上的观测始终发挥着重要作用。然而，图像在获取和显示等过程中，由于成像设备和成像原理固有的局限性和其他外界因素的影响，在采集图像的过程中会产生模糊和噪声，导致图像质量下降，产生纹理细节和特征等有用信息难以准确提取或完全缺失的降质图像。这种情况，会给之后的图像分析和图像理解阶段带来直接的负面影响。因此，图像模糊的处理――包括图像的模糊检测、估计和图像去模糊，自诞生之日起