费-托蜡裂解混合α-烯烃齐聚制备润滑油基础油

以费-托蜡裂解产物120～170℃馏分为原料,采用银离子络合萃取法进行提纯精制;以精制后的混合α-烯烃为原料,BF_3为催化剂,正丁醇为引发剂制备聚α-烯烃(PAO)合成润滑油基础油。考察了反应压力、反应温度、反应时间和引发剂用量对PAO性能的影响。实验结果表明,精制后α-烯烃纯度由63.56%(w)提高到95.25%(w);在反应压力0.4 MPa、反应温度25℃、反应时间3 h、引发剂用量0.1%(w)的条件下,PAO的收率为97.16%,100℃的运动黏度为6.05 mm~2/s,黏度指数为146,倾点为-62℃,产物中三聚体和四聚体含量为70.45%(w),支化度为0.159 5。     

复合固体酸催化剂催化合成聚甲氧基二甲醚

引入Zn、Ni、Mn和Al等第二组分对SO_4~(2-)/Fe_2O_3催化剂进行改性,考察了不同催化剂组成对合成聚甲基二甲醚反应的影响。结果表明,Zn改性的催化剂表现出最佳催化活性,甲醇转化率达到54.99%,PODE_(1-6)选择性为98.49%,PODE_(3-6)选择性为18.48%。采用X射线衍射(XRD)、氮气吸附脱附(BET)、X射线能谱(EDS)和氨程序升温脱附(NH_3-TPD)对复合固体酸催化剂进行了表征。结果表明:第二组分的引入使得催化剂形成新的晶粒,Zn和Mn的引入使得催化剂的表面积有所增加,Zn和Al的改性使得催化剂形成了有助于PODE_n链增长的强酸中心。SO_4~(2-)/Fe_2O_3-ZnO由于拥有较强酸密度的强酸中心,在所有的催化剂中表现出最佳的催化活性。     

基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。     

基于Word2Vec模型特征扩展的Web搜索结果聚类性能的改进

对于用户泛化和模糊的查询，将Web搜索引擎返回的列表内容聚类处理，便于用户有效查找感兴趣的内容。由于返回的列表由称为片段（snippet）的短文本组成，而传统的单词频率-逆文档频率（TF-IDF）特征选择模型不能适用于稀疏的短文本，使得聚类性能下降。一个有效的方法就是通过一个外部的知识库对短文本进行扩展。受到基于神经网络词表示方法的启发，提出了通过词嵌入技术的Word2Vec模型对短文本扩展，即采用Word2Vec模型的TopN个最相似的单词用于对片段（snippet）的扩展，扩展文档使得TF-IDF模型特征选择得到聚类性能的提高。同时考虑到通用性单词造成的噪声引入，对扩展文档的TF-IDF矩阵进行了词频权重修正。实验在两个公开数据集ODP239和SearchSnippets上完成，将所提方法和纯snippet无扩展的方法、基于Wordnet的特征扩展方法和基于Wikipedia的特征扩展方法进行了对比。实验结果表明，所提方法在聚类性能方面优于对比方法。