"集成电路版图分析与设计"课程教改与探索

基于OBE-CDIO教育理念,本文展示了"集成电路版图分析与设计"课程教学模式、课程设计、项目式教学方式和课程考核方式改革探索与实践经验.我们以工程教学认证作为制定教学目标的依据,将BB平台、ISO9001等现代化教学资源和质量标准融入课堂,以OBE-CDIO能力教学理念指导课程设计,使教学环节科学化,考核环节多元化;通过引入课程思政,激发学生学习热情,树立核心价值观,增强版图分析设计能力.     

地面驱动螺杆泵井故障诊断方法

为提高地面驱动螺杆泵井的故障诊断效率,提出了一种将小波包与概率神经网络相结合的故障诊断方法.运用小波包技术提取有功功率信号的能量特征,与动液面、瞬时流量、井口回压共同作为特征参数,输入到概率神经网络进行故障诊断.为证明所提诊断方法的优越性,与BP神经网络、径向基神经网络进行对比,结果表明所提方法诊断效率更高、速度更快,更加满足故障诊断实时性的要求;故障诊断实例结果也进一步证明了该方法在地面驱动螺杆泵井故障诊断的可行性.     

浅渍法发酵豇豆的工艺优化

以具有降解亚硝酸盐功能的植物乳杆菌（Lactobacillus plantarum）SD-7和具有优良抗氧化能力的植物乳杆菌（Lactobacillus plantarum）FM-LP-9为复合发酵剂（1∶1），采用浅渍法发酵豇豆。以硬度和感官评分为考察指标，通过单因素试验及响应面试验研究复合发酵剂接种量、发酵温度和发酵时间对浅渍法发酵豇豆品质的影响。结果表明，最佳发酵工艺条件为发酵温度25 ℃，接种量5%，发酵时间125 h，在此优化条件下，得到的浅渍法发酵豇豆硬度为47.31 N，感官评分为90.98分，香气浓郁、口感脆嫩。     

响应面法优化白芷中欧前胡素的提取工艺

采用高效液相色谱法测定欧前胡素的含量，以水提液中欧前胡素提取率为实验指标，在单因素试验的基础之上，以提取温度、提取时间、液料比为考察因素，利用Box-Behnken Design响应面法进行三因素三水平试验设计。响应面法优选出白芷中欧前胡素的最佳提取工艺为提取温度72℃、液料比8倍、提取时间1.5 h,在该条件下欧前胡素提取率为0.97%。本研究优化的白芷中欧前胡素的提取工艺方便、稳定。     

低阶煤颗粒-气/油泡间的诱导时间研究

为表征低阶煤颗粒-气/油泡间矿化过程的差异,通过Sutherland理论下固体颗粒进入泡沫产品的总概率(E)和浮选速率常数(k)之间关系,并结合低阶煤颗粒-气/油泡的浮选速率试验,求得了低阶煤颗粒-气/油泡间的诱导时间。浮选实验研究表明,在相同的捕收剂消耗量下低阶煤-油泡浮选产率均高于低阶煤-气泡浮选产率。诱导时间测试表明,低阶煤颗粒-油泡间的诱导时间(35 ms)要明显低于低阶煤颗粒-气泡间的诱导时间(93 ms)。上述实验结果表明,油泡表面的疏水性要强于传统浮选气泡表面的疏水性。然而,进一步利用Sutherland理论中固体颗粒进入泡沫产品的总概率和浮选速率常数之间的数学关系,并结合低阶煤颗粒-气/油泡的浮选速率试验求得的低阶煤颗粒-气/油泡间的诱导时间分别为9.67和8.46 ms,其与诱导时间测试仪分别测量的诱导时间差异很大。这主要是由于在实际浮选过程中气/油泡的上升速度分别为23.26和22.68 cm/s,其远高于2015EZ型诱导时间仪测试过程中气/油泡碰撞速度(2.0 cm/s)。因此,诱导时间理论计算表明气泡-颗粒间的碰撞速度对颗粒-气泡间的诱导时间影响很大。上述研究结果表明油泡浮选效果优于传统浮选的内在原因在于低阶煤颗粒-油泡间的诱导时间小于低阶煤颗粒-气泡间的诱导时间。     

我国MTBE的生产使用现状及趋势分析

对我国MTBE的生产工艺及下游产品进行了详细的分析,重点分析了影响MTBE产品生产使用的各方面因素,从能源方针、车用燃料政策及环保要求等角度对我国MTBE产品的未来发展趋势进行了预测分析。结果显示,2020年以后我国汽油调和用MTBE的生产使用量将逐步降低,但此过程可能会较为平缓。     

考虑煤层倾角和钻孔倾角的钻屑量理论研究

为准确预测与预防深部开采煤与瓦斯突出,建立了考虑煤层倾角与钻孔倾角的新钻屑量理论计算公式,并分析了煤层倾角和钻孔倾角对钻屑量的影响。以平煤股份有限公司八矿为研究对象,将钻屑量理论计算值与该矿己15-21030风巷现场钻屑量实测值进行对比验证,得出在煤层倾角一定时,钻屑量随钻孔倾角增大呈幂指数递减关系,减小的比率呈“V”形变化趋势,原钻屑量理论值与实测值平均误差为5.5%,在考虑煤层倾角与钻孔倾角情况下的新钻屑量理论值与实测值平均误差为3.9%。     

差分准对立学习多目标蚁狮算法

为解决多目标优化问题，对经典的蚁狮算法进行改进，提出了基于差分进化的准对立学习多目标蚁狮算法（DEQOMALO）。该算法针对蚁狮算法易陷入局部最优的不足，一方面，该算法引用差分进化的思想，充分利用种群和精英蚁狮的信息对原算法中蚂蚁个体的位置更新方式进行改进；另一方面采用反向学习策略对蚂蚁种群进行优化，将原种群个体和其准对立个体进行混合并择优作为新的种群，大大增加种群的多样性。选取典型的标准测试函数，将提出的算法与原始蚁狮算法以及其他传统进化策略优化的蚁狮算法进行比较。实验结果表明，改进算法在收敛性和分布性上均有很大程度的提升，在解决双目标优化问题上具有较好的鲁棒性和有效性。     

结合边缘特征先验引导的深度卷积显著性检测

针对当前基于深度学习的显著性检测算法缺少利用先验特征和边缘信息，且在复杂场景中难以检测出鲁棒性强的显著性区域的问题，提出了一种结合边缘特征，利用先验信息引导的全卷积神经网络显著性检测算法。该算法利用三种被经常用到的先验知识结合边缘信息形成先验图，通过注意力机制将提取的先验特征与深度特征有效融合，最终通过提出的循环卷积反馈优化策略迭代地学习改进显著性区域，从而产生更可靠的最终显著图预测。经过实验定性定量分析，对比证明了算法的可靠性。