|
搜索
搜 索
高等教育领域数字化综合服务平台
片状锌铝粉的研制及其无机富锌高铝涂料的制备
无机富锌高铝涂料使用碱性硅酸盐、硅酸烷基酯为成膜物质，前者因其对金属表面的处理要求不太高，施工受环境影响小，附着力强等特点，在各领域得到广泛的应用；后者对金属有极好的附着力和防锈作用，在导电性、耐热性、耐溶剂性、防锈性等方面优于前者，尤其作为单一涂层，无机类比有机类具有更好的耐久性和耐腐蚀性能。无机富锌高铝涂料中影响长效防腐的最重要因素是锌粉和铝粉，要想制备出高性能长效重防腐涂料，片锌和片铝及其合金的制备技术将成为关键。本项目就是在现有湿式球磨法的基础上，创新性地改进了球磨设备和技术，制备出了与德国爱卡公司相当的鳞片状锌粉和铝粉及其合金粉末，以此片锌片铝为填料，碱性硅酸盐、硅酸烷基酯为粘结剂，辅以各种助剂，配制了各种规格的无机片状富锌高铝涂料，涂层盐雾试验达到了10000小时，处于国内外领先水平，可以在全球各相关领域销售。产品生产过程中因不使用各种易燃、易爆类危险品，且是全封闭式生产，无任何三废排放，完全属于节能、零排放和清洁生产工艺。本项目能生产出各种规格的片锌粉、片铝粉及其合金粉，无需干燥处理直接用于配制高性能长效防腐无机片状富锌高铝涂料，这是本项目的特色之一；涂料所用专用固化剂的制备也是本项目的另一特色。
南京工业大学
2021-04-13
高钒高耐磨合金及复合技术的工程化应用
本项目立足于我国丰富的钒资源，研制出了以高硬度、团球状且弥散分布的 I 型碳化钒为耐磨相的高钒高耐磨合金；通过控制基体组织，保证了其磨损稳定性；通过解决复合界面控制问题，开发了低成 本的高钒合金 / 低合金钢双金属复合技术，推动了耐磨材料和重型装备行业的技术进步。项目共发表论文 18 篇，授权专利 5 项，制订标准 3 项。
北京工业大学
2021-04-13
利用废弃沥青混凝土制备高承载、耐久路面的研究与应用
北京工业大学
2021-04-14
一种高Cr铁素体耐热钢及其制备方法
小试阶段/n本成果涉及一种高Cr铁素体耐热钢及其制备方法。其制品的持久强度显著高于现有9-12Cr铁素体耐热钢，适用于工作温度为650℃的结构和零部件用钢。。主要技术指标：650℃/10万小时外推持久强度大于100Mpa。。目前处于实验室研究阶段，可广泛应用于工作温度为650℃的结构用钢和零部件用钢，特别适用于制造工作温度为超超临界蒸汽轮机、内燃机、高温化工设备和核动力设备，市场前景广阔，预期年产值可达1000万。
武汉科技大学
2021-01-12
家蚕中肠特异高表达启动子p2及其应用
该发明为家蚕中肠特异启动子P2 ,其在家中肠特异性表达外源蛋白的应用,本发明还涉及家蚕中肠特异 启动子P2的重组载体及其制备方法;本启动子可以特异性地启动下游基因在家蚕中肠高量表达,为硏究和利 用家蚕中肠特异基因，特别是中肠特异高量表达的免疫抗性相关基因提供了有力的工具；同时也能在家蚕中 肠特异高量表达外源基因，具有良好的应用前景。
西南大学
2021-04-13
高钒高耐磨合金及复合技术的工程化应用
北京工业大学
2021-04-14
高钒高耐磨合金及复合技术的工程化应用
成果简介本项目立足于我国丰富的钒资源，研制出了以高硬度、团球状且弥散分布的I型碳化钒为耐磨相的高钒高耐磨合金；通过控制基体组织，保证了其磨损稳定性；通过解决复合界面控制问题，开发了低成本的高钒合金/低合金钢双金属复合技术，推动了耐磨材料和重型装备行业的技术进步。项目共发表论文18篇，授权专利5项，制订标准3项。应用简介所处研发阶段：已处于工业生产和推广应用阶段适合应用领域：冶金
北京工业大学
2021-04-14
辐射探测器用高电阻CZT晶体材料及其应用技术
西北工业大学
2021-04-14
高耐蚀海工涂料用自修复聚合物蜡微粉
本项目的提出建立在申请人对国内外相关研究现状和趋势的分析及已有的工作基础上,项目的目标产品为具有自修复功能，主要应用于海洋工程高性能防腐涂层的复合聚合物蜡微粉。避免全新的分子结构的设计,将多见于树脂材料的自修复性能迁移到海洋工程等领域用的高性能防腐涂层上,再加上应用极为简单，可直接添加到涂料体系中去，在兼容市场现有涂料产品配方和涂装工艺基础上实现涂层表面自修复功能。
南京大学
2021-04-14
基于同质块均值核类内协同表示的高光谱图像分类
该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量，在有效提高类别区分度和空间表征能力的同时，提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。
主要技术指标
不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参阅表 1。
（1）相比于传统分类器 SVM，OA 提高了约 15%；相比于 JCR 方法，OA 提高了约 2-4%。
（2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错分样本的数量，改善了过平滑的分类效果。参见表 1 与图 1。
（3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。
表 1.PaviaU 大学数据的训练样本选取与分类结果
表 2. 不同窗口大小下的特征生成时间比较
西安电子科技大学
2023-04-19