【摘 要】
：
本文针对锂矿石硫酸法提锂工艺产生的沉锂母液中锂回收率低和锂钠分离困难的问题,提出了沉锂母液中锂回收的“协同萃取-硫酸反萃”工艺路线,优化了锂钠分离的工艺参数,并采用线性分析法对锂的协同萃取机制进行了初步的探索.研究发现,采用“Lix 54+ Cyanex 923”协同萃取体系可将沉锂母液中的锂以“Li·Lix 54·Cyanex 923”的形式萃取进入有机相,而钠不被萃取,锂钠分离效果好.根据锂的萃取和反萃分配曲线绘制了的McCabe Thiele图,在Lix 54和Cyanex 923浓度分别为0.50
【机 构】
：
中国科学院过程工程研究所湿法冶金清洁技术国家工程实验室,北京100190;中国科学院绿色过程与工程重点实验室,北京100190;中国科学院大学,北京100049;中国科学院过程工程研究所湿法冶金清洁技
论文部分内容阅读
本文针对锂矿石硫酸法提锂工艺产生的沉锂母液中锂回收率低和锂钠分离困难的问题,提出了沉锂母液中锂回收的“协同萃取-硫酸反萃”工艺路线,优化了锂钠分离的工艺参数,并采用线性分析法对锂的协同萃取机制进行了初步的探索.研究发现,采用“Lix 54+ Cyanex 923”协同萃取体系可将沉锂母液中的锂以“Li·Lix 54·Cyanex 923”的形式萃取进入有机相,而钠不被萃取,锂钠分离效果好.根据锂的萃取和反萃分配曲线绘制了的McCabe Thiele图,在Lix 54和Cyanex 923浓度分别为0.50和0.25 mol·L-1,平衡pH=11.5,有机相与水相相比(0/A)=1.0∶2.2下,经4(理论)级萃取,锂的萃取率可达99％以上.在硫酸浓度为0.15 mol·L-1,O/A=1∶2条件下,经过3(理论)级反萃,锂的反萃率接近100％.温度对锂的萃取、反萃过程影响较小,萃取、反萃动力学快,满足工业连续生产要求.同时发现有机相中添加15％(v/v)的相修饰剂可以有效解决该协同萃取体系出现的相分离困难问题,为硫酸盐体系沉锂母液中锂回收提供了新的工艺路线和研究方向.
其他文献
当前,联邦学习已被认为是解决数据孤岛和隐私保护的有效解决方案,其自身安全性和隐私保护问题一直备受工业界和学术界关注.现有的联邦学习系统已被证明存在诸多漏洞,这些漏洞可被联邦学习系统内部或外部的攻击者所利用,破坏联邦学习数据的安全性.首先对特定场景下联邦学习的概念、分类和威胁模型进行介绍;其次介绍联邦学习的机密性、完整性、可用性(CIA)模型;然后对破坏联邦学习CIA模型的攻击方法进行分类研究;最后对CIA模型当前面临的问题挑战和未来研究方向进行分析和总结.
近年来兴起的深度伪造技术能够高度逼真地模拟和伪造音视频内容,并得到了广泛的良性和恶意应用.针对深度伪造的生成和检测,国内外专家学者进行了深入研究,并提出了相应的生成和检测方案.对现有的基于深度学习的音视频深度伪造生成技术、检测技术、数据集以及未来研究方向进行了全面的概述和详细分析,这些工作将有助于相关人员对深度伪造的理解和对恶意深度伪造防御检测的研究.
薄壁纯铜热管由于其优异的导热能力而广泛应用于具有高热流密度的微型电子器件产品中.然而,在弯曲变形时管壁外侧的“橘皮”状表面粗化问题成为了热管产品使用的瓶颈.针对薄壁烧结纯铜热管弯曲表面“橘皮”缺陷,采用扫捕电镜(SEM)、白光干涉、电子背散射衍射(EB-SD)等方法分析了“橘皮”部位的宏观形貌、三维轮廓、面粗糙度以及管壁内微观组织及晶体取向分布,并讨论了杂质元素磷对表面粗糙程度的影响.结果 表明:经过烧结处理后,热管壁晶粒长大至壁厚尺度,并形成强烈的Goss型再结晶织构;热管中残留的退火孪晶则具有明显的C
由于程序源码和编译后的可执行文件之间存在一定的语义差异,以及用户输入的不确定性,导致在实际应用中无法保证源代码中已经验证过的性质与其可执行文件一致.因此,在不提供程序源代码的情况下,直接对其可执行程序进行脆弱性分析检测更有实际意义.开展了动态污点分析技术在程序脆弱性检测方面的应用研究,设计了基于libdft API程序脆弱性检测工具,并自定义了污染源和污染汇,以适应不同的脆弱性模式.该工具不需要对目标程序的源代码进行分析,可直接对二进制程序进行检测.测试结果表明,该工具可有效检测出心脏滴血攻击、格式化字符
当前安全运营人员面对的是海量的设备日志,需要根据其专家知识或经验来进行调查溯源,大大降低了安全运营的效率,同时也为安全运营设置了较高的知识门槛.为了解决这一问题,提出了一种基于异构属性图的自动化攻击行为语义识别方法,能够实现底层安全日志到上层攻击行为之间的映射.首先,利用异构图对系统日志进行威胁建模;然后,以攻击行为上下文为语义并结合知识图谱表示学习得到图中节点与边的向量表示;接着,利用层次聚类把相似的日志聚合到一起,从中找出最具代表性日志作为整个类的行为表示.最后,对该方法进行了实验验证,可以看出该方法
近年来,以深度学习为代表的人工智能技术飞速发展,在图像分类、自然语言处理等多个任务中超过了人类表现.在金融、教育、医疗、军事、制造、服务等多个领域,人工智能技术应用不断深化,和社会生活的融合愈加紧密.然而,在这一过程中,人工智能系统自身暴露出众多安全问题,不断涌现出针对人工智能系统的新型安全攻击,包括对抗攻击、投毒攻击、后门攻击、伪造攻击、模型逆向攻击、成员推理攻击等.这些攻击损害了人工智能数据、算法和系统的机密性、完整性和可用性,迫切需要学术界和产业界的共同关注.
联邦学习可以在保证数据隐私安全及合法合规的基础上实现共同建模,但保证联邦学习模型发布的隐私性以及保证用户对模型的效用仍是亟待解决的问题.提出一种基于安全洗牌和差分隐私的联邦学习模型安全防护方法SFLSDP.联邦模型拥有者利用差分隐私技术对联邦学习的模型参数进行加噪声,生成带噪声的模型参数,之后利用用户授权密钥和安全洗牌算法加密模型参数,并将加密的联邦学习模型参数发送给用户;用户在本地使用联邦学习模型时,利用用户授权密钥和安全洗牌算法解密模型参数密文,得到带噪声的联邦学习模型,将自己的数据作为该模型的输入就
采用放电等离子烧结(SPS)技术在304不锈钢表面制备了一种含30％Cu(质量分数)的TZM合金(钼钛锆合金)涂层.使用拉伸剥离粘合力测试测定了涂层的结合强度;利用热循环试验测试了涂层的热稳定性能;采用摩擦磨损试验机对合金涂层和TZM合金进行了700℃下的高温摩擦磨损试验;通过场发射扫描电镜(SEM)与能谱(EDS)仪分析了涂层组织;使用X射线衍射(XRD)仪测试了涂层的相组成.结果 表明:合金涂层各部分结合得较为良好.胶接拉伸试验断裂于涂层与拉伸棒胶接处,涂层各部分间未发生剥离.在600和800℃下进行
随着深度学习在各个领域的广泛应用,数据收集和训练过程中产生的隐私泄露问题已成为阻碍人工智能进一步发展的原因之一.目前已有很多研究将深度学习与同态加密或者差分隐私等技术结合以实现对深度学习中的隐私保护.从另一个角度尝试解决这个问题,即在一定程度上保证训练数据集隐私性的基础上,实现对训练数据计算节点的可追踪性.提出了一种基于差分隐私的可追踪深度学习分类器,结合差分隐私和数字指纹技术,在为训练数据集提供隐私保护的同时保证在出现非法传播的训练模型或者数据集时,能根据其中的指纹信息定位到问题训练节点.该分类器既能保