氯产品发展对策研究

我国氯碱行业碱和氯需求失衡情况正在加剧,企业发展模式要从“以碱定氯”转向“以氯定碱”,企业联合正推进“三项调整”,也有利于推动氯碱与石油化工相结合。根据行业当前的形势,提出氯产品发展对策研究建议。     

芦苇预水解硫酸盐法人纤浆粕的制备及其预水解动力学研究

对芦苇预水解硫酸盐法试制人纤浆粕的预水解硫酸盐蒸煮最佳工艺条件及其动力学进行了研究。结果表明,芦苇的预水解反应为一级反应。水解过程中,只要控制P-因子相同,即可获得同样品质的半料浆。芦苇在175℃下、保温90min即可溶出约75%的戊聚糖和50%的木素。芦苇预水解的最佳条件为:最高温度175℃,保温时间90min,液比1∶6。芦苇预水解后硫酸盐蒸煮的最佳工艺条件为:用碱量10%(对绝干原料,以Na2O计),硫化度15%,最高温度160℃,保温时间30min,液比1∶4。经CEHA四段漂白后,所制得的人纤浆粕各项指标符合标准要求。     

蛇肉有限酶解工艺的研究

采用有限酶解技术对蛇肉进行有控制的水解,得到低肽(平均分子量538)占优势的低肽／氨基酸混合物(酶解液)。其最佳酶解工艺条件是：物料前处理方法为采用微波加热法(700W,2min)、料水比为1：2、酶活添加量为3600U／g样、酶种类为木瓜蛋白酶(Papain60)与枯草杆菌中性蛋白酶(As1．398)的等活力混合双酶、pH6．5～6.8、温度55℃、反应时间5h。     

三种软件与MapSource间批量数据转换方法

为便于物探作业过程中大量坐标数据的处理及指导野外作业,经常需要在多种软件与MapSouce间进行数据交互使用。本文根据几种数据软件的不同功能和特点,介绍了实现软件之间批量数据的数据格式、相互转换及数据调用的方法,旨在解决物探生产过程中因大量数据用手工输入而存在的速度慢、错误多、数据不完整等缺点,使原本繁锁、耗时、费力的工作变得简单、快捷,达到省时省力的目的。     

结构设计在预应力混凝土转换层中的应用

本文总结了预应力混凝土梁式转换层抗裂能力强,挠度小,耐久性好;预应力桁架式转换层可避免内力集中于一根梁上造成强梁弱柱,从而提高结构的抗震性能;预应力厚板式转换层抗裂、抗冲击能力强等优点。介绍了预应力配置原则并列举了相应的工程实例．供设计者参考。本文对预应力混凝土转换层的设计具有指导意义。     

用于非高斯系统降维的最小残差熵主元网络

基于最小均方误差的主元分析和主元神经网络是有效的多变量降维统计技术,它们所提取的主元含有系统最大方差.非高斯随机系统的近似模型应当含有系统最大信息熵,但包含最大方差并不一定包含最大信息熵.该文提出一种以最小残差熵为通用指标的非线性主元神经网络模型,并给出了一种基于Parzen窗口密度函数估计的熵近似计算方法和网络学习算法.然后从信息论角度分析了,在高斯随机系统中基于最小残差熵和最小均方差为指标的主元网络学习结果具有一致性.最后以仿真验证该方法的有效性,并与基于最小均方误差的主元分析和主元神经网络方法的计算结果进行对比性分析.     

光启科学中心环形通道弧形尺放线与抹灰施工技术

光启科学中心项目地上部分由1个圆环形主体及3个外挑圆形裙塔结构组成,结构内圆半径为32. 9m,外圆半径为55. 5～58. 95m,外圆边线逐层向外扩大。建筑物内部设计有环形通道,地下室环形通道为钢筋混凝土剪力墙,地上环形通道为蒸压加气砌体墙。环形通道内侧均布32根圆钢管结构柱,钢管柱外喷防火涂料,地上框架梁板为钢梁加压型钢板组合形式,环向钢梁为弧形梁。环形砌筑墙体定位放线精度要求高,抹灰厚度、垂直度、观感质量控制要求严格,环形通道净空尺寸控制要求高,整体施工难度大。     

光启科学中心环形建筑模板加固技术

光启科学中心项目为环形建筑物,地下室采用钢管柱加钢筋混凝土结构,地上为钢框架结构,在梁柱节点钢筋密集位置设有环梁,主要针对一些复杂构件模板加固进行分析与研究,并进行施工总结。     

面向类仿射型数组下标应用的参数化并行存储结构模板

为了解决目前可重构编译技术在为类仿射型数组下标应用生成循环流水阵列时,生成的存储系统对数据并行与重用支持不完善的问题,本文提出了一种参数化并行存储结构模板。此模板采用模块化设计思想,根据数据访存特征生成由多体交叉并行存储子模块、单体串行存储子模块、RAW Buffer缓存子模块及Smart Buffer缓存子模块构成的存储结构。为灵活生成存储结构及充分挖掘数据的并行性和重用性,本文采用访存数据依赖图方法计算存储模板的参数值。和相关工作相比,根据本文提出的存储结构模板生成的硬件,可以在占用较少的硬件资源情况下,获得较高的硬件执行速度。     

面向混合异构架构的模型并行训练优化方法

随着混合异构平台的发展,出现了类型不一的加速设备,如何在混合异构平台中充分利用这些不同类型的设备,以及如何在多个计算设备之间部署深度学习模型,而且训练大型和复杂模型的重要性不断提高.数据并行(DP)是应用最广泛的并行化策略,但是如果数据并行训练中的设备数量不断增加,设备之间的通信开销就会成为瓶颈.此外,每个步骤因设备性能差异处理的批总量不同会导致精度损失,即需要更长的训练周期以收敛到期望的精度.这些因素会影响整体训练时间,并且会影响某些设备的运行效率.除了数据并行(DP),每个训练步骤都可以通过模型并行(M P)来加速.提出了一种适合混合异构平台的模型并行训练优化算法.首先,为解决混合异构平台中设备性能分布不均问题,提出了层级并行和通道并行混合的模型并行划分策略,同时通过合并一些性能偏低的设备来减少流水线的长度和缓解通信压力.然后为了优化设备间的流水效果,通过分析流水线建立时间占比和设备性能利用率对整体训练时间的影响,提出了一种可以使两者达到均衡状态的微批次划分方法.实验表明,通过本文方法优化之后的模型并行流水训练算法比传统的模型并行算法具有更好的加速比,在单一类型设备的异构平台上的训练性能加速比提升4％ 左右,在混合异构平台的训练性能加速比要比没有使用优化方法之前提升7％ 左右.