【摘 要】
：
本文介绍了风力分选原理,分析了动力电池破碎产物的物料特性及影响分选效率的关键因素,采用实验室型立式风力分选机开展试验研究,考察了不同风速、物料形状及物料大小等因素对分选效果的影响.试验结果表明,风速为2.2 m/s时,片状物料的分选效果最好,卷曲变形后的隔膜无法与金属物分离;尺寸为20 mm× 40 mm的物料中,轻质物与重质物的回收率均值最大,达96.4％,分选效果最佳.因此,风力分选工艺可以较好地实现电池破碎料中隔膜的预先分离.
【机 构】
：
北矿机电科技有限责任公司;矿冶科技集团有限公司,北京 100160
论文部分内容阅读
本文介绍了风力分选原理,分析了动力电池破碎产物的物料特性及影响分选效率的关键因素,采用实验室型立式风力分选机开展试验研究,考察了不同风速、物料形状及物料大小等因素对分选效果的影响.试验结果表明,风速为2.2 m/s时,片状物料的分选效果最好,卷曲变形后的隔膜无法与金属物分离;尺寸为20 mm× 40 mm的物料中,轻质物与重质物的回收率均值最大,达96.4％,分选效果最佳.因此,风力分选工艺可以较好地实现电池破碎料中隔膜的预先分离.
其他文献
总硬度是指水中Ca2+、Mg2+的总量,是水质的一个重要监测指标,它包括暂时硬度和永久硬度.水中Ca2+、Mg2+以碳酸盐形式存在的部分,因其遇热即形成碳酸盐沉淀而被除去,被称为暂时硬度;而以硫酸盐、硝酸盐和氯化物等形式存在的部分,因其性质比较稳定,不能通过加热方式除去,故被称为永久硬度.本文使用ICP-OES法测定垃圾填埋场地下水中钙、镁离子的含量,然后计算出总硬度.与传统的滴定法相比,该方法操作简单、快速,干扰少,试剂消耗小,尤其适合测定大批量样品.
目的在高分辨率遥感图像场景识别问题中,经典的监督机器学习算法大多需要充足的标记样本训练模型,而获取遥感图像的标注费时费力。为解决遥感图像场景识别中标记样本缺乏且不同数据集无法共享标记样本问题,提出一种结合对抗学习与变分自动编码机的迁移学习网络。方法利用变分自动编码机(variational autoencoders, VAE)在源域数据集上进行训练,分别获得编码器和分类器网络参数,并用源域编码器网
本研究以刚果(金)某氧化铜矿为例,开展氧化铜矿酸浸试验.研究结果表明,在磨矿粒度P80为-0.150 mm、浸出温度为室温、初始矿浆浓度为25％、酸矿比为47.5 kg/t矿、浸出时间为4 h的条件下,经搅拌浸出,铜浸出率可以超过96％.
本研究利用原子吸收光谱仪绘制重金属标准曲线,分别采用湿法消解和微波消解,并称取0.2 g土壤标准物质,通过比较分析结果得出最佳消解方法.在最佳消解方法下,通过测定方法检出限、测定下限、加标回收率及实际样品,对《土壤和沉积物铜、锌、铅、镍、铬的测定火焰原子吸收分光光度法》(HJ 491-2019)进行方法确认.试验结果表明,该方法具有良好的重现性和精密度,对提高土壤中痕量金属元素测定的准确度具有重要意义.
东莞塘厦大钟岭地热系统的形成受NWW向断裂所控制,属隐伏对流型地热系统.该断裂是一条长寿断裂,形成于早白垩世中期—古新世,力学性质为压性,始新世—渐新世出现张性改造,新近纪—早更新世为压扭性改造;中更新世以来是该断裂最后一次构造运动,在NW—SE向压应力场的作用下,断裂出现张扭性改造,所形成的构造岩未完全胶结,从而成为地下水深循环的通道,该次构造运动是地热系统形成的决定性因素.
目的植物叶片形态复杂,在虚拟场景中很难真实表现。为了从信息量有限的单幅图像中恢复植物叶片的3维形状,本文基于从明暗恢复形状(shape from shading, SFS)的方法,利用亮度统计规律和植物形态特征恢复叶片的3维形状。方法在SFS的基础上,设计基于图像骨架的距离场偏置加强表面细节;针对SFS对恢复宏观几何形状的不足,提出根据图像亮度统计分布选取控制点控制表面宏观形状变化,并利用叶片中轴
目的卫星视频作为新兴遥感数据,可以提供观测区域高分辨率的空间细节信息与丰富的时序变化信息,为交通监测与特定车辆目标跟踪等应用提供了不同于传统视频视角的信息。相较于传统视频数据,卫星视频中的车辆目标分辨率低、尺度小、包含的信息有限。因此,当目标边界不明、存在部分遮挡或者周边环境表观模糊时,现有的目标跟踪器往往存在严重的目标丢失问题。对此,本文提出一种基于特征融合的卫星视频车辆核相关跟踪方法。方法对车
目的在点云分类处理的各环节中,关键是准确描述点云的局部邻域结构并提取表达能力强的点云特征集合。为了改进传统邻域结构单尺度特征表达能力的有限性和多尺度特征的计算复杂性,本文提出了用于激光点云分类的稀疏体素金字塔邻域结构及对应的分类方法。方法通过对原始数据进行不同尺度下采样构建稀疏体素金字塔,并根据稀疏体素金字塔提取多尺度特征,利用随机森林分类器进行初始分类;构建无向图,利用直方图交集核计算邻域点之间
目的随着3维采集技术的飞速发展,点云在计算机视觉、自动驾驶和机器人等领域有着广泛的应用前景。深度学习作为人工智能领域的主流技术,在解决各种3维视觉问题上已表现出巨大潜力。现有基于深度学习的3维点云分类分割方法通常在聚合局部邻域特征的过程中选择邻域特征中的最大值特征,忽略了其他邻域特征中的有用信息。方法本文提出一种结合动态图卷积和空间注意力的点云分类分割方法(dynamic graph convol