寒地水稻苗床增温技术研究

为预防水稻苗期低温冷害,将保温材料隔离层增温技术与三模覆盖技术进行结合,经2006年和2007年两年试验结果表明:利用不同保温材料在苗床30 cm下做隔离层进行水稻育秧,可以显著提高苗床地温,平均比常规高4.19℃,并且为秧苗生长创造了有利生长环境,提高了秧苗素质,水稻生育期提早2 d左右,平均增产3.2%。保温材料隔离层增温技术与三膜覆盖技术相结合可以大幅度提高苗床地温,平均比常规高6.7℃。三个保温材料处理间,稻壳隔离层两处理增温效果要好于发泡塑料隔离层。     

巧用稻壳贮甘薯

用稻壳贮藏保鲜甘薯,具有方法简便易行、安全等优点,一般贮藏到来年春节前后不会烂薯;管理好的,还具有很强的萌芽能力,可留做种用。这一方法贮藏保鲜甘薯,取薯方便,适合家庭中小批量甘薯贮藏保鲜。     

“壳”的故事

稻壳,并不起眼,却演绎着“燃烧”的革命。它是燃料,能发电,给人们生活带来方便。它代替煤,少污染,保护着碧水蓝天。曾经的“黄色”垃圾摇身一变,变废为宝了。近两年,稻壳的功用在黑龙江垦区建三江分局得到了印证。     

颗粒状炭化稻壳保温剂

目前,钢厂使用的钢包保温剂常用的是炭化稻壳粉,炭化稻壳粉因其保温效果好,成本低廉而受青睐,但是,炭化稻壳粉质轻,易飞扬,容易造成生产环境内粉尘含量高,污染环境和危害身体健康。因此,我们提供一种颗粒状炭化稻壳保温剂,该保温剂的炭化稻壳含量较高,而且在避免采用石灰和白云石的同时,可以将炭化稻壳有效的粘结在一起呈颗粒状,从而保证了保温剂的保温性能。     

稻壳高沸醇木质素的制备与结构分析

稻壳高沸醇木质素(RHL)是通过高沸醇溶剂法制备得到的,借助化学组分分析、红外吸收光普、氢质谱和碳质谱分析法分析其结构性质.把稻壳与70%(90%的丁二醇水溶液混合后,放入高压釜中,在一定的固液比下,加热至200(220℃,保持1.0(3.0小时.加水沉淀后,就可以得到水不溶的RHL.温度越低,木质素的得率也越低;丁二醇浓度越低,木质素得率也将越低.化学分析得到RHL分子量是1939 g(mol-1、残糖量5.12%;核磁共振得到RHL脂肪基对芳香甲氧基的相对强度分别出现在3.5-3.8 ppm和 3.8-4.0 ppm,RHL各单元主要通过β-O-4 和 β-5 碳-碳链链接.利用上述数据计算得到了经典的C9结构模型.     

碳化木，一种新型的基材

当前形势下,新兴基材炭化木在地板行业被采用,将地板由室内引到室外。作为新的尝试,这样的举动是剑走偏锋,还是创新举动,代表地板新的潮流。奥地利木业协会专家从专业的角度给您解答碳化木性能,为地板企业提供参考。     

稻壳沉淀法制备白炭黑工艺的研究

以稻壳为原料,NaOH、H2SO4为活化剂,采用沉淀法对白炭黑制备的工艺进行了研究。结果表明,采用沉淀法制备白炭黑的工艺条件为:稻壳灰酸化时加酸速度为0.04mL/g?min,碱化处理时间为5.5h,稻壳灰与40%NaOH溶液配比为1:1.5,助剂硫酸钠及苯甲醇加入量分别为2.0%和1.5%。产物的比表面积为219.3m2/g;提取率(白炭黑:稻壳灰,白炭黑:稻壳)分别为55.2%、10.7%。产品经红外光谱进行了表征,质量检测结果符合国家标准。     

稻米深加工高效增值全利用的技术途径

长期以来 ,我国稻谷加工仅处于一种满足人们口粮大米需求的初级加工状态 ,１００ｋｇ稻谷加工出６０ｋｇ左右大米 ,其余４０ｋｇ左右的稻壳、碎米、米糠和米胚等资源未能得到有效开发利用。目前我国每年有１００００万吨米糠及米胚、２０００万吨碎米和３０００万吨稻壳等稻谷副产品 ,其价值只能充抵１．７亿吨稻谷加工的生产成本。国内外最新研究证明 ,稻谷全身皆是宝。稻谷通过科学合理的综合利用 ,除可提供人们主食大米之外 ,还可转化为营养丰富、生理功能卓越的健康食品原料 ,为现代文明病的预防和治疗提供新资源 ,也可转化为优质廉价的…     

稻壳气力给料装置试验研究

为可靠输送稻壳,提出了一种可用于小型稻壳气化或燃烧装置的非机械阀气力给料方案。通过试验考察了给料系统的输送能力、调节范围及输送效率等方面的性能,结果表明,该方案低负荷调节特性好,给料量调节范围宽,输送效率高,气固比小,与机械式给料方案相比,结构简单,成本低,运行可靠,有较好的推广、应用前景。     

循环流化床中塑料粉与稻壳共燃生成NO的研究

为研究塑料与稻壳共燃的氮氧化物生成规律,在自行设计的循环流化床装置上进行了二者的共燃实验。研究了温度、塑料粉和稻壳的混合比例及过量空气系数对NO生成量的影响。实验结果表明,随温度升高,NO生成量升高;随塑料粉与稻壳混合比例增加,NO生成量呈降低趋势,且NO的生成量低于二者单独焚烧时生成量的线性叠加;随着过量空气系数增加,NO生成量降低。为寻找二者共燃NO生成的一般性规律,采用径向基神经网络建立了NO生成的预测模型,预测结果显示该模型具有很高的精度。