针对易漏砂岩地层防井漏材料粒径优化设计

为解决易漏失砂岩地层频发的井漏问题,采用巴西劈裂试验研究方法,测试不同粒径组合方式下防井漏材料对于井壁抗拉强度的强化效果。通过对比岩样孔喉尺寸和钻井液中防井漏材料的颗粒粒径,分析砂岩经不同粒径防井漏材料钻井液处理后的岩样抗拉强度测试结果,得到以下结论:相较于水润岩样的抗拉强度,防井漏材料明显起到强化井壁的效果,从而提高地层承压能力;未经粒径优化设计的防井漏材料有可能无法强化井壁,从而造成井漏问题无法缓解和钻井材料资源浪费等问题;钻井液中防井漏材料颗粒粒径范围越广,井壁强化效果越明显;若要达到最佳防井漏效果,使得地层承压能力最高,建议钻井液在进行防井漏材料粒径组合优化设计时,应考虑将防井漏材料的平均颗粒粒径约等于岩样平均孔喉尺寸。研究结果可为维持易漏失砂岩地层的井壁稳定、缩短非生产时间和安全高效钻井提供参考。     

协同机制下的创意型设计人才的培养模式研究——以广东石油化工学院为例

近年来,中国的产业发展由注重规模和总量的"中国制造"向注重质量和创新的"中国创造"转变,文化创意产业因此迎来了新的发展契机,也对创意型人才提出了更高的要求。因此,引入协同机制,提升高校的协同创新能力,培养创新型人才,对文化创意产业的发展具有重要的意义。     

美味不打折-高蛋白高纤维食品

如今人们已经不单单追求食品的口味,营养和健康也同样重要!高蛋白高纤维的食品饮料早已经成为关心体重控制的人们追捧的对象。不过,话说回来,开发高蛋白高纤维强化食品,需要根据最终食品的形式与特性来调整相关配料和工艺,采用不同的强化和工艺策略,从而获得最佳的口味、成本、工艺和货架期的平衡,增强产品竞争力。杜邦^IM丹尼斯克‘品牌旗下的素宝’大豆分离蛋白可帮助体重控制者增强饱腹感、维持肌肉并减少脂肪;而利体素‘水溶性纤维,既有助于肠道健康和体重控制、又具有良好的理化及加工特性,两者均为开发美味的高蛋白高纤维食品的良好原料。     

基于决策树算法的校园客户识别模型

校园市场是基础电信运营企业细分市场的重要组成部分,对企业核心竞争力的提升和可持续发展具有重要意义。本文主要介绍一种决策树算法的校园客户识别方法。该方法根据决策树算法的基本原理,融合了社交网络扩散原理和打分机制,将其应用到校园客户识别模型建设之中。通过外呼等方法验证客户准确性相比原有模型有了极大提升,证实了该模型的有效性。     

食物成瘾的研究进展及启示

食物成瘾是一种复杂的慢性疾病，导致人们在日常生活中对某种食物产生过度依赖与过度进食等相关行为特征，近年来已被认为是影响欧美发达国家肥胖症、暴食症、糖尿病等发病率持续升高的关键原因，引起学术界的极大关注，成为研究热点。本文主要介绍食物成瘾的概念、诊断标准，综述了食物成瘾的病理机制、影响因素和应对措施等方面的研究进展，并探讨食物成瘾对我国食品界的启示，为预防食物成瘾，保障公众健康提供有益借鉴。     

机械传动轴用材料在双向应力环境下的低载强化特性分析

研究了机械传动轴用40Cr材料在双向应力环境下低载强化特性。结果表明,拥有强化作用的载荷区间是39.2~51.0 N·m,强化次数区间是1~40万次。并且,20万的强化次数下,当强化载荷达到44.10 N·m时的强化作用最佳。     

大陆向全球华人半导体企业招手

联电将前进大陆参股设立300 mm(12英寸)晶圆厂,台积电也有意投资大陆,在中国政府砸钱拉拢"华流"之时,该怎么去,正考验半导体大老们的智慧。1月21日,远在美国纽约华尔街的交易室里,格外不平静。市场传出,中国神州龙芯准备并     

锰致神经毒性的机制研究进展

目的锰是一种对于维持正常的细胞功能和新陈代谢具有重要作用的微量金属。然而积累过多的锰可能引起大脑功能退化紊乱,其引发的神经系统疾病被称为锰中毒。本文从氧化应激、线粒体损伤、对多巴胺能神经元损害、对内质网应激等方面综述锰致神经毒性机制的研究进展。     

基于Q-learning的不确定环境BDI Agent最优策略规划研究

BDI模型能够很好地解决在特定环境下的Agent的推理和决策问题,但在动态和不确定环境下缺少决策和学习的能力。强化学习解决了Agent在未知环境下的决策问题,却缺少BDI模型中的规则描述和逻辑推理。针对BDI在未知和动态环境下的策略规划问题,提出基于强化学习Q-learning算法来实现BDI Agent学习和规划的方法,并针对BDI的实现模型ASL的决策机制做出了改进,最后在ASL的仿真平台Jason上建立了迷宫的仿真,仿真实验表明,在加入Q-learning学习机制后的新的ASL系统中,Agent在不确定环境下依然可以完成任务。     

基于注意力机制与文本信息的用户关系抽取

随着社交媒体的发展,用户之间的关系网络对于社交媒体的分析有很大的帮助。因此,该文主要研究用户好友关系检测。以往的关于用户好友关系抽取的研究主要基于社交媒体上的结构化信息,比如其他好友关系,用户的不同属性等。但是,很多时候用户本身并没有大量的好友信息存在,同时也不一定有很多确定的属性。因此,我们希望基于用户发表的文本信息来对用户关系进行预测。不同于以往的潜在好友推荐算法,该文提出了一种基于注意力机制以及长短时记忆网络(long short-term memory,LSTM)的好友关系预测模型,将好友之间的评论分开处理,通过分析用户之间的评论来判断是否具备一定的好友关系。该模型将好友双方信息拼接后的结果作为输入,并将注意力机制应用于LSTM的输出。实验表明,用户之间的评论对于好友关系预测确实有较大的实际意义,该文提出的模型较之于多个基准系统的效果,取得了明显的提升。在不加入任何其它非文本特征的情况下,实验结果的准确率达到了77%。