PFA吸收瓶装置GB/T34972-2017国标用洗气瓶

产品介绍

洗气瓶是一种洗去气体中杂质的仪器,是将不纯气体通过选定的适宜液体介质鼓泡吸收(溶解或由于发生化学反应),从而洗去杂质气体,以达净化气体的目的。在有可燃性气源的实验装置中,洗气瓶也可起到安全瓶的作用。

常用规格:100ml 250ml 300ml 500ml 1000ml 2000ml 3000ml

洗气瓶不能长时间盛放碱性液体洗涤剂,用后及时将该洗涤剂倒入有橡胶塞试剂瓶存放待用,并用水清洗干净放置。该瓶还可以收集气体以及计算气体的体积。

一般情况下,长导管进,短导管出。长导管进密度比空气大的气体,短导管进密度比空气小的气体。

用向上排空气法 说明所收集的气体密度大于空气 长进短出可以使所收集的气体把空气压出去 如果短进长出所收集的气体将直接从长管跑出。

产品特性

1、外观透明,洗气过程中,能够时刻的观察瓶内的样品具体洗气情况;
2、滤球采用高纯实验级聚四氟乙烯材质加工而成,滤球上的微孔直径细小,数量居多,通过滤球洗气的气体能够满足清洗的标准;
3、低溶出与析出,金属杂质含量均低于0.01ppb值;

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的Matlab代码,用于在给定条件下使用CA-CFAR、GO-CFAR和SO-CFAR进行检测: ```matlab % 假设有5个距离单元 num_cells = 5; % 假设有3个目标,其信噪比分别为75dB、10dB和20dB,目标在第50~54处和150和154处 target_snr = [75 10 20]; target_cells = [50:54 150 154]; % 虚警概率 Pfa = 10^-6; % 生成随机噪声数据 noise_data = randn(1, num_cells); % 计算每个算法的阈值 CA_CFAR_threshold = cfar_ca(noise_data, Pfa); GO_CFAR_threshold = cfar_go(noise_data, Pfa); SO_CFAR_threshold = cfar_so(noise_data, Pfa); % 生成包含目标和噪声的数据 data = zeros(1, num_cells); for i = 1:length(target_cells) data(target_cells(i)) = 10^(target_snr(i)/10); end data = data + noise_data; % 使用每个算法检测目标 CA_CFAR_result = cfar_ca(data, Pfa, CA_CFAR_threshold); GO_CFAR_result = cfar_go(data, Pfa, GO_CFAR_threshold); SO_CFAR_result = cfar_so(data, Pfa, SO_CFAR_threshold); % 显示结果 disp(['CA-CFAR检测结果:' num2str(CA_CFAR_result)]); disp(['GO-CFAR检测结果:' num2str(GO_CFAR_result)]); disp(['SO-CFAR检测结果:' num2str(SO_CFAR_result)]); % CFAR算法函数实现 function threshold = cfar_ca(data, Pfa) num_cells = length(data); num_guard_cells = 2; num_train_cells = 2*num_guard_cells + 1; num_target_cells = num_cells - num_train_cells - num_guard_cells; % 计算训练区域的平均噪声功率 train_cells = sort([num_guard_cells+1:num_guard_cells+num_train_cells, num_cells-num_guard_cells-num_train_cells+1:num_cells-num_guard_cells]); train_power = sort(data(train_cells)); train_power = train_power(2:end-1); train_avg_power = sum(train_power) / length(train_power); % 计算阈值 threshold = train_avg_power * (Pfa^(-1/num_target_cells) - 1); end function threshold = cfar_go(data, Pfa) num_cells = length(data); num_guard_cells = 2; num_train_cells = 2*num_guard_cells + 1; num_target_cells = num_cells - num_train_cells - num_guard_cells; % 计算训练区域的平均噪声功率 train_cells = sort([num_guard_cells+1:num_guard_cells+num_train_cells, num_cells-num_guard_cells-num_train_cells+1:num_cells-num_guard_cells]); train_power = sort(data(train_cells)); train_power = train_power(2:end-1); train_avg_power = sum(train_power) / length(train_power); % 计算阈值 threshold = train_avg_power * ((Pfa*num_target_cells)^(-1/num_target_cells)); end function threshold = cfar_so(data, Pfa) num_cells = length(data); num_guard_cells = 2; num_train_cells = 2*num_guard_cells + 1; num_target_cells = num_cells - num_train_cells - num_guard_cells; % 计算训练区域的平均噪声功率 train_cells = sort([num_guard_cells+1:num_guard_cells+num_train_cells, num_cells-num_guard_cells-num_train_cells+1:num_cells-num_guard_cells]); train_power = sort(data(train_cells)); train_power = train_power(2:end-1); train_avg_power = sum(train_power) / length(train_power); % 计算阈值 threshold = train_avg_power * (Pfa^(-1/num_train_cells)); end ``` 注意,这只是一个简单的实现,可能并不是最优的实现方式,因此在实际应用中可能需要进行优化。此外,这个实现还假设所有目标的信噪比都是已知的,这在实际应用中也不一定成立,因此需要采用更复杂的算法来估计目标的信噪比。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值