中性笔及白板笔油墨生产工艺及配方

本成果源于为江苏省科技厅资助的产学研重点项目，主要的成果内容：（1）地铁区间隧道及车站基坑开挖对文物等重要构筑物的影响预测评估技术；（2）地铁施工爆破对构筑物振动影响评估预测技术；（3）文物检测的新技术研究；（4）文物加固消险新技术。（5）地铁施工时文物监测新技术及远程监控系统开发。（6）地铁运营期间轨道振动对文物鼓楼影响的研究。目前针对地铁施工及运营对文物的影响分析及控制保护技术在国内外尚较少见，本项目组已经针对上述研究内容取得4项软著和多项相关专利，并且参与了南京地铁4、5、6、7及宁句城际等多条线路沿线的文物评估及加固项目取得了不错的成果。

所分析研究的尾矿坝坝址区为一峡谷段，两岸山顶高程可达500m左右，土坝于1978年施工后并投入使用。坝底高程为425m，坝顶高程为455m，坝高30m，坝顶宽5m，坝顶长90m。分设三个马道，设计边坡比自上至下分别为1:2.0、1:2.5、1:3.0，下游坡的变坡处设马道宽2m，下游坡脚设排水棱体，排水棱体高7.5m，坝址堆石棱体坡比为1:1.5。相应设计总库容77万m3，有效库容62万m3，服务年限20年。坝体材料由人工填土、残积土组成。尾砂坝运行以来，随着尾砂的堆积和水位上升，整个坝体逐渐处于饱和状态，坝面多处有水渗出。1998年2月13日，当时水位距坝顶约2m，右坝坡约447m高程处渗漏产生流土而失稳破坏。 该研究项目分析了土坝塌溃的原因和影响土坝稳定性的机理；对重建后坝体的安全稳定性进行了分析计算，并针对相应影响因素提出了综合治理对策；对类似工程土坝的设计施工及运行管理提出了相应的注意事项和预防措施。有相应的分析软件。

本发明涉及喷雾装置领域，旨在提供用于治理大气污染的多功能静电喷水雾机。该用于治理大气污染的多功能静电喷水雾机包括喷杆、喷嘴、静电发生器、液泵、电机、自动控制装置和水管；所述电机和液泵相连，液泵用于将外部液体通过水管泵送到静电发生器，静电发生器用于使液体带电，喷杆通过水管与静电发生器相连，喷杆上设置有喷嘴。本发明将水雾荷电，能更好地与大气中的污染物更好地结合，从而清除周围大气污染；并且本发明的喷雾装置能自动地旋转，同时调节横向和纵向实现绕轴心任意角度喷雾，能完成较高空间喷洒作业，且喷雾均匀、雾化彻底，避免在喷嘴周围形成小水滴，实现从上而下喷雾除尘，一次喷射影响到的空间较大。

本实用新型公开了一种单一河道外溢式水环境治理系统。进水河段中的水体在动力泵所提供的动力作用下，提升到高处经过出水管射出，先与空气进行充分接触曝气，再通过湿地或生态浮床或者二者组合进行生态净化，然后沿着岸边明渠流回至治理河段另一端中，从而形成平面环流，使得河流的流动性得到增强，河流的溶解氧量和水环境容量得到提高；河流的流速由流量控制阀控制，动力泵和可移动清淤泵的电力由太阳能电池板、风力发电机和自备电源在配电单元的控制下互补提供，净化池底部的淤泥等污染物通过可移动清淤泵定期清理，从而提升河流的水质。本实用新型经济和社会效益显著，在城市化快速发展和能源、水环境危机的背景下极具研究推广价值。

本实用新型公开了一种单一河道内溢式水环境治理系统。进水河段中的水体在动力泵所提供的动力作用下，提升到高处经过出水管射出，先与空气进行充分接触曝气，再通过湿地或生态浮床或者二者组合进行生态净化，然后以堰流的形式流回至治理河段另一端中，从而形成平面环流，使得河流的流动性得到增强，河流的溶解氧量和水环境容量得到提高；河流的流速由流量控制阀控制，动力泵和可移动清淤泵的电力由太阳能电池板、风力发电机和自备电源在配电单元的控制下互补提供，净化池底部的淤泥等污染物通过可移动清淤泵定期清理，从而提升河流的水质。本实用新型经济和社会效益显著，在城市化快速发展和能源、水环境危机的背景下极具研究推广价值。

成果简介：面向工业废气 VOCs 治理的低温等离子体产生 装置是工业废气 VOCs 治理的关键装置，该装置能够产生破坏 VOCs 的高能电子、原子氧等活性粒子，对通过低温等离子体 产生装置中的工业废气 VOCs 进行有效分解，特别适合大流量 的工业废气 VOCs 的治理要求。面向工业废气 VOCs 治理的低 温等离子体产生装置包括低温等离子体发生器和高频高压电 源，其中的低温等离子体

一、装置概述 PUAA-Q型挥发性有机废气治理技术综合实验装置是根据高等教育的改革方向，顺应国家培养应用型高技能人才的战略思想，以前沿技术为导向，紧密结合挥发性有机废气实际处理工程的功能和特点，并针对高等院校对挥发性有机废气处理工艺应用和创新实验教学的实际需要而专门研制的综合性实验装置。本装置涉及放电等离子体技术、光解技术、吸收技术、吸附技术以及智能程控技术等多方面、深层次的内容。装置工艺流程简洁、美观，可视化程度高，具有处理效率高、彻底、无二次污染等优点，非常适合大专院校的相关专业开展实验、实训、设计、创新创业训练等。 二、主要参数及指标 （1）处理能力：能处理苯、甲苯、二甲苯等多种挥发性有机废气； （2）处理负荷：<2000mg/L； （3）处理气量：<500L/min； （4）处理效率：≥95%； （5）装置净重：300kg； （6）外形尺寸：2200mm×700mm×1800mm； （7）供电电压：AC220V、50Hz； （8）运行功率：＜4kW； （9）操作条件：常温、常压； （10）安全保护：具有漏电压、漏电流保护装置，安全符合国家标准。 三、主要配置及性能 采用自主知识产权的双介质阻挡放电等离子体反应器，放电均匀、稳定，活性物种产率高。 高频高压电源采用两级控制，安全、可靠，输出频率和电压可调。 可视化的吸收池中安装全潜式UVC杀菌灯，能够直观观察光解过程；UVC杀菌灯配套专用整流器、高品质石英套管、防水接头，UV穿透率高，可在水中长时间工作。 多段蒸笼式撬装活性炭吸附塔，吸附效率高、活性炭更换方便，并配套活性炭再生设备，可延长活性炭使用寿命。 吸收液通过气液混合自吸泵输送，并采用自动和手动相结合的控制模式，灵活、方便。 废气发生器智能程控，有机废气浓度可在0~2000mg/L范围内调控。 采用电磁式增氧气泵作为载气泵，气量大、稳定、噪音低。 316L不锈钢材质的臭氧热解器中填装有高效的臭氧淬灭催化剂，可将尾气中的臭氧快速转化为氧气，并通过智能程控调节尾气净化器的温控设备，运行成本低。 水温、水位、气压等变送器0.2%精度、稳定性能±0.1%FS、输出信号4-20mA，精度高、性能稳定、可连接PLC控制器，不锈钢材质变送器探头耐磨、耐冲击、抗干扰强。 三菱FX3U系列PLC主机和模拟量输入输出模块完成设备运行控制，10英寸彩色触摸式液晶显示屏实时显示控制按键、装置运行状态及时间、水温、水位、气压、电流等重要参数。 所有设备模块化安装于304不锈钢材质的柜体中，柜体前后开设有视窗，顶部安装有可调速换气扇，底部配有禁锢万向脚轮。

新冠肺炎疑似病例基数庞大，给临床一线诊疗带来巨大压力，疫情波及地域广泛，基层医院缺乏经验，面临严峻挑战。由清华大学精密仪器系尤政院士、临床医学院董家鸿院士领导研发的新型冠状病毒肺炎智能辅助诊断系统成功通过应用测试，进入临床试用阶段，有望为上述难题提供解决方案。新型冠状病毒肺炎智能辅助诊断系统董家鸿介绍，新型冠状病毒肺炎智能辅助诊断系统可同步实现智能化影像诊断、临床诊断及临床分型三大功能。该系统包括三大模块，其中影像诊断模块主要基于对新型冠状病毒肺炎初诊病例的珍贵临床资料的大数据分析，使用人工智能算法深度学习该疾病的CT影像特征，实现对新型冠状病毒肺炎影像的智能识别。临床诊断模块则依据卫健委发布的《新型冠状病毒感染的肺炎诊疗方案(试行第五版)》，结合影像与流行病学、症状及关键检验数据等临床信息，实现智能诊断。临床分型模块通过智能判读呼吸功能参数，“自适应”判断新型冠状病毒肺炎的严重程度。董家鸿谈到，该系统可在短时间内完成大量疑似病例的胸部CT筛查、依据指南进行临床与影像相结合的综合分析，显著提升新型冠状病毒肺炎诊断效能，有望大幅降低临床医师及影像医师的工作负荷。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。