不锈钢AOD渣胶凝性能的研究

为了研究不锈钢AOD渣胶凝性能,采用不锈钢AOD渣代替部分水泥,研究其对水泥胶砂的工作性能、力学性能影响。结果表明:用不锈钢AOD渣从0～50%代替水泥,随着不锈钢AOD渣掺量的增加,水泥的标准稠度用水量先减小后增加,当掺量为30%时,不锈钢AOD渣起到的减水效应最好;随着不锈钢AOD渣掺入量的增加,水泥胶砂强度依次降低,说明不锈钢AOD渣的胶凝活性较小。     

HMX热分解动力学与热安全性研究

利用差示扫描量热法( DSC),获得了单质炸药奥克托今(HMX)热分解的特征参数,利用热重法(TG)得到HMX热分解的起始分解温度、各阶段的失重量、最大失重速率及对应的温度、最终残渣量、反应深度、反应速率等参数.将DSC、TG数据与Malek法相结合对HMX的热安全性进行了研究.结果表明,HMX在加热过程中先出现晶型转...     

热采注汽站噪声综合治理

对热采注汽站采用局部空间吸声体的降噪方法进行噪音治理,不但降低了厂房内的噪音强度,而且增强了厂房的保温效果,达到了冬季保温、夏季隔温的效果,降低了冬季采暖费用,节约了部分能源。通过噪声治理,为一线员工创造了一个较为舒适和健康的工作环境,对稳定员工队伍提供了一个平台,为油田的稳定发展奠定了基础。     

气相色谱法测定玉米中乙草胺·莠去津·2,4-滴丁酯残留

[目的]为建立乙草胺、莠去津、2,4-滴丁酯在玉米植株和籽粒中的残留分析方法,采用丙酮和乙酸乙酯混合溶剂提取,凝胶色谱仪净化,气相色谱电子捕获检测器检测.[结果]乙草胺最小检出量为1.0×10-12g,最低检出质量分数为0.005 mg/kg,平均回收率在80.3％～108.5％之间,相对标准偏差均小于10％;莠去津最小检出量为1.0×10-12 g,最低检出质量分数为0.01 mg/kg,平均回收率在86.3％～112.4％之间,相对标准偏差均小于14％;2,4-滴丁酯最小检出量为1.0×10-12g,最低检出质量分数为0.002 mg/kg,2,4-滴丁酯回收率为78.0％～108.0％,相对标准偏差均小于14％.[结论]方法具有简便、准确的特点,符合残留分析要求.     

失望的2010MWC

今天在手机上看到一则关于春晚满意度调查的新闻，大概的内容是CTR市场调查CCTV春晚满意度依然志得意满，神采飞扬，而各大门户网站的网友调查却是截然相反。其实，满意度本来就是一个难以界定的词语，即使人为地加上一些条款力求量化。因此，就满意度而言，我对热闹的2010MWC是失望的。     

再见 我们的重庆索道

这期卷首语的内容临时进行了调整,因为纪念。2月28日是重庆嘉陵江索道运营的最后一天,红极一时的电影《疯狂石头》中重要桥段就是在重庆两条索道之一长江索道上拍摄的。在Google输入"重庆索道",搜索结果有509000条,其中多数内容是"索道是重庆特有交通工具",     

热采注汽站噪声综合治理

对热采注汽站采用局部空间吸声体的降噪方法进行噪音治理,不但降低了厂房内的噪音强度,而且增强了厂房的保温效果,达到了冬季保温、夏季隔温的效果,降低了冬季采暖费用,节约了部分能源。通过噪声治理,为一线员工创造了一个较为舒适和健康的工作环境,对稳定员工队伍提供了一个平台,为油田的稳定发展奠定了基础。     

无处不山寨 无处不奢华

中华文化博大精深,“山寨“一词精准的概括了目前流行的一大类产品的共同性——草根。尽管还是有很多的人对于山寨货嗤之以鼻,因为它的廉价,它的剽窃模仿,以及它的劣质。但是,山寨已经毫无争议成为中华新时代的一个变奏符。“网络世界选中一个人,要让这个人被瞩目、被娱乐、被蔑视或者被侮辱,往往不由分说,被选中的人,从此必须被动地担当被瞩目、被娱乐、被蔑视或者被侮辱的使命“。生于网络的“山寨“摆脱不了这样的潜规则。     

亚马逊Fire烧了平板电脑

价格战历来不是中国人的专利。每到圣诞节或者新年,很多国人蜂拥而至国外或者中国香港购物,究其原因,减价打折使然。本月最大的价格战由亚马逊发动了。与其说亚马逊发布的Fire平板电脑是针对苹果,倒不如说,这把火烧了所有平板厂商的连营。记得之前有一国产厂商在微博上非常自豪地宣布,     

基于细粒度特征融合的部分多模态哈希

多模态数据的指数级增长使得传统数据库在存储和检索方面遇到挑战,而多模态哈希通过融合多模态特征并映射成二进制哈希码,能够有效地降低数据库的存储开销并提高其检索效率.虽然目前已经有许多针对多模态哈希的工作取得了较好的效果,但是仍然存在着3个重要问题:(1)已有方法偏向于考虑所有样本都是模态完整的,然而在实际检索场景中,样本缺失部分模态的情况依然存在;(2)大多数方法都是基于浅层学习模型,这不可避免地限制了模型的学习能力,从而影响最终的检索效果;(3)针对模型学习能力弱的问题已提出了基于深度学习框架的方法,但是它们在提取各个模态的特征后直接采用了向量拼接等粗粒度特征融合方法,未能有效地捕获深层语义信息,从而弱化了哈希码的表示能力并影响最终的检索效果.针对以上问题,提出了PMH-F3模型.该模型针对样本缺失部分模态的情况,实现了部分多模态哈希.同时,基于深层网络架构,利用Transformer编码器,以自注意力方式捕获深层语义信息,并实现细粒度的多模态特征融合.基于MIRFlickr和MSCOCO数据集进行了充分实验并取得了最优的检索效果.实验结果表明:所提出的PMH-F³