微纳孔隙油-水-岩石微观界面相互作用研究进展

低渗、特低渗储层孔隙小,与岩石壁面直接接触且受壁面束缚的原油占比远高于常规储层,导致大量油膜黏附在岩石壁面难以被剥离,严重制约了低渗及特低渗油藏高效开发.传统的黏附功理论存在局限性,微纳米级孔喉中大量原油受岩石壁面强作用力束缚,油膜-岩石间黏附力成为制约油膜剥离效果的主要因素.介绍了纳米力学技术解析油-水-岩石间微观相互作用方法,如原子力显微镜、分子动力学模拟等,并聚焦油-固界面,归纳了二者间强相互作用,油膜与岩石之间除了存在经典Derjaguin-Landau-Verwey Overbeek(DLVO)理论中的范德华力和双电层相互作用外,还存在非DLVO相互作用(疏水作用和离子桥连作用等).总结油膜岩壁黏附机理的研究进展,探讨高效剥离油膜、提高低渗油藏采收率所面临的挑战,并对精确解析油-水-岩石间微观相互作用研究前景进行展望.     

CentroidNet：轻量快速的乳腺癌Ki67细胞核中心点检测模型

目的 Ki67分数是乳腺癌预后评估的重要指标,计算该分数的关键步骤是检测阴性与阳性癌细胞核。人工检测面临疲劳与主观差异的问题。卷积神经网络有望实现高质量、自动化的细胞核检测,然而需要病理专家为其标注细胞核。为了减轻标注的工作量,不少研究者提出以中心点标注训练卷积神经网络。然而这些方法采用过于复杂的卷积神经网络和后处理流程,未能充分提高易用性和效率、发挥卷积神经网络的质量。对此,提出CentroidNet模型,旨在提高中心点检测的质量、效率和易用性。方法 CentroidNet模型在图像上放置均匀排布的锚点,为每个锚点预测一个候选点,一部分候选点通过基于阈值的筛选策略成为预测点。本文提出最近锚点匹配策略用于生成训练标签,既保证了端到端推理,又规避了其他一对一标签匹配算法所具有的标签抖动问题。本文建议锚点间距应尽可能接近训练集答案点间最短距离的第一百分位数,并指出这样的锚点间距能够在前景标签数、坐标回归难度与效率之间取得良好的平衡。本文在设计卷积神经网络的结构时,没有采纳广为使用的U-Net或特征金字塔（feature pyramid network, FPN）中的多级上采样与旁路连接,反...     

金属有机骨架材料在气体吸附与分离中的应用研究进展

金属有机骨架材料(MOFs)因具有超高比表面积、较大的孔隙率、多样化且可调的孔道结构及相对温和的制备条件等优势,目前已成为化学和材料等学科的研究热点之一。概述了MOFs材料的制备方法及其用于气体(含碳、含氮及含硫)吸附与分离方面的研究进展,并对其在该方面今后的发展趋势和应用前景进行了展望。     

低温空气源热泵实验台

实验台由热泵机组和室内外环境模拟系统组成。基于系统误差分析的基本原理,合理选择测量仪表。分析得知,温差对测量精度的影响大于流量的影响。重复测试的结果表明,制热量和制热COP的总误差分别为3.65%和3.79%,能满足试验精度要求。     

高清ENG摄像机的新功能

随着高清技术的不断深入,高清ENG摄像机功能不断细化.对于不同HD ENG摄像机的功能,是否全部可行而且适合操作,画面是否得到改善,新功能对于使用人员带来怎样的便利等等,文章将从CCD、DSP、应用等几个层面来进行分析.     

徐霞客镇获“全国首批特色景观旅游名镇”称号

<正>3月30日,第五届中国徐霞客国际旅游节在江阴市徐霞客旅游博览园开幕。徐霞客镇的愿景是擦亮"游圣"故里这张名片,借助丰富的旅游资源,打造区域性旅游度假中心,成为名副其实的度假休闲名城。     

模拟分析法在横琴新区供冷管网中的应用

供冷管网是一个复杂的流体网络,它的运行工况受工作条件、时间、环境和施工等多方面的影响.水力失调是供冷管网中的普遍存在现象,也是影响供冷质量和导致供冷能耗高的重要因素之一.文中对横琴新区供冷管网水力失调情况进行分析,利用模拟分析法,对管网进行流量的分配,通过改变流量,对管网进行初调节,实现管网的水力平衡.     

CO2管内流动沸腾干涸特性研究

CO₂被认为是一种理想的替代制冷剂,具有良好的环境特性和优良的热力学特性。与传统制冷剂相比,CO₂有着十分不同的流动沸腾换热特性,过程会发生干涸将使其换热能力大幅下降。然而现有的干涸点预测公式都是基于各自的实验数据拟合得出,由于数据点太少和变量参数范围受限导致关联式的预测结果存在偏差。所以,通过对17篇文献中搜集的4986个实验数据点进行整理,分析得出质量流率、热通量、饱和温度和管径等影响因素对干涸点的影响趋势,并将数据点按大小压力分别拟合得出了干涸点的预测公式,有90%的数据点偏差小于15%,对干涸点预测,防止传热恶化有重要意义。     

自行车前后轮摩擦力方向演示模型的设计与制作

基于对摩擦力的深入研究,设计制作了自行车前后轮摩擦力方向演示模型。此模型能够直观地观察到自行车前后轮所受摩擦力的方向,可以使人们更直观地观察到自行车前后轮所受摩擦力的方向。本文详细介绍了该模型的设计与制作。     

基于Intel平台的Winograd快速卷积算法研究与优化

随着深度学习的快速发展,其在语音处理、图像识别和自然语言理解等领域被广泛应用,为科研产业以及日常生活带去了巨大的变革.Intel紧跟深度学习的浪潮,推出了第2代Xeon Phi处理器KNL(knights landing),其后又发布了第3代Xeon Phi处理器KNM(knights mill),为深度学习的蓬勃发展带去了新的活力.通过在Intel平台上进行快速卷积算法Winograd的研究与优化,对比Intel MKL(math kernel library) DNN(deep neural network)中的卷积性能,推动Intel MKL DNN中深度神经网络接口的完善以及Intel平台上深度学习的发展.研究中结合Intel最新深度学习平台的AVX-512指令集、高速内存MCDRAM、多Memory/SNC模式、二维网格状内核结构等特性,并通过对内存分配、数据调度等情况的分析,设计优化Winograd算法,一方面选取典型的卷积神经网络(convolutional neural network, CNN)网络模型VGG19,测试对比Intel MKL DNN的卷积实现,最终取得了2倍多的性能加速比;另一方面,通过测试常用卷积类型,对比Intel MKL DNN和NVIDIA cuDNN,验证了实现的Winograd对于常用卷积类型具有很好的适用性且具有实际使用价值.该研究工作期望为Intel平台在深度学习领域的发展提供重要的指导意义.