建筑掺混合材料中硅酸盐水泥的应用分析

就实际情况而言,建筑掺混合材料中硅酸盐水泥应用还存在着一些缺陷,难以保障建筑工程施工的合理性与科学性。本文从建筑掺混合材料中硅酸盐水泥的意义入手,阐述了建筑掺混合材料中硅酸盐水泥的应用类型,总结了建筑掺混合材料中硅酸盐水泥的应用要点。     

松辽盆地北部中浅层全油气系统特征与油气成藏聚集模式

基于松辽盆地油气勘探实践,结合地震、测井、地球化学等勘探开发新资料,对松辽盆地北部中浅层全油气系统基本地质条件、油气类型、油气分布特征、成藏聚集动力、源储关系及成藏聚集模式开展系统研究。研究表明：(1)松辽盆地北部中浅层具备全油气系统形成条件,油气资源充足、储集层类型多样、输导体系发育,形成以白垩系青山口组烃源岩为中心的全油气系统。(2)全油气系统内不同类型油气资源在沉积体系、岩性组合及物性变化等方面存在关联作用,并在一定程度上造就了松辽盆地北部中浅层常规油藏-致密油-页岩油有序共生的空间分布特征。(3)纵向上,源上常规油、源内页岩油/致密油、源下致密油有序共生;平面上,自盆地边缘向凹陷中心有序发育常规油-致密油-夹层型页岩油-页岩型页岩油。(4)构建松辽盆地北部中浅层全油气系统源上常规油浮力充注成藏、源内页岩油滞留聚集、源下致密油源储压差充注聚集3类成藏聚集模式。提出的松辽盆地北部全油气系统新认识,为松辽盆地油气资源的整体勘探部署提供新思路,将有助于松辽盆地剩余油气资源高效勘探和新层系新领域快速获得油气发现。     

松辽盆地北部双城地区白垩系营城组—登娄库组石油勘探突破及地质意义

基于钻井地质、地球化学、地球物理和生产测试资料,采用含油气系统研究方法,对松辽盆地北部双城地区白垩系营城组—登娄库组含油组合烃源岩、储集层、盖层特征以及烃类生成、圈闭演化和石油充注过程进行剖析。研究表明,研究区烃源岩分布在营城组,有机质主要来源于低等水生生物和藻类,丰度达到优质生油岩级别;原油具有轻质、高凝固点和高蜡的特征,与营城组烃源岩具有良好的亲缘关系。储集层包括登娄库组砂岩和营城组砂砾岩两套;直接盖层为登四段泥岩。石油于姚家组—嫩江组沉积期生成,分别于嫩江组沉积期和古近纪—新近纪聚集成藏。圈闭经历了营城组沉积末期、泉头组沉积末期和嫩江组沉积末期3期演化,形成构造和构造-岩性两类油藏。稳定的构造背景、良好的生储盖组合、近距离运移、晚期充注为油藏形成的有利因素。     

硬质合金可转位刀片槽型有限元分析及研究

利用有限元软件 ANSYS构建出具有复杂截面槽型的硬质合金可转位刀片三维有限元模型。该有限元模型更接近可转位刀片的真实形状 ,并通过切削力试验获得切削力 ,有利于对切削过程中的力学特性进行深入研究     

一种多传感器实时误差配准算法研究

针对多传感器的系统误差配准问题,研究了系统误差时变的情况,提出了一种基于迭代扩展卡尔曼滤波(IEKF)的配准算法。该算法将目标的运动状态和传感器系统误差组合在同一状态方程中,构建扩维状态的系统动态方程,采用IEKF的方法对目标状态和系统误差进行联合估计。仿真结果表明,与采用EKF和UKF的方法相比,该算法能取得和UKF相近估计精度,并且时间效率和EKF相当。     

基于多任务预训练的AMR文本生成研究

抽象语义表示（abstract meaning representation,简称AMR）文本生成的任务是给定AMR图,生成与其语义一致的文本.相关工作表明,人工标注语料的规模大小直接影响了AMR文本生成的性能.为了降低对人工标注语料的依赖,提出了基于多任务预训练的AMR文本生成方法.特别地,基于大规模自动标注AMR语料,提出与AMR文本生成任务相关的3个预训练任务,分别是AMR降噪自编码、句子降噪自编码以及AMR文本生成任务本身.此外,基于预训练模型,在朴素微调方法的基础上,进一步提出了基于多任务训练的微调方法,使得最终模型不仅适用于AMR文本生成,同时还适用于预训练任务.基于两个AMR标准数据集的实验结果表明：使用0.39M自动标注数据,提出的预训练方法能够大幅度提高AMR文本生成的性能,在AMR2.0和AMR3.0上分别提高了12.27和7.57个BLEU值,性能分别达到40.30和38.97.其中,在AMR2.0上的性能为目前报告的最优值,在AMR3.0上的性能为目前为止首次报告的性能.     

降低转炉直上连铸钢水夹杂物的应用实践

通过对转炉生产工艺进行优化,采取滑板挡渣技术,脱氧合金化优化路线:出钢1/3开始加入硅铁、硅锰合金、渣洗剂,吹氩站喂铝线操作,碳钢酸溶铝控制在0.008％～0.01％,低碳低硅钢酸溶铝控制在0.015％～0.054％,吹氩站吹氩12～15 min,连铸全程保护浇铸等措施.钢水洁净度得到明显提升,脱氧剂消耗由原来的3.1...     

最大熵模型在邮件分类中的应用

邮件分类是指在给定的分类体系下,根据邮件的内容和属性,确定其类别标签的过程。将最大熵模型应用于邮件分类中,给出了邮件的预处理过程,介绍了邮件信头特征,分析比较了特征数量和迭代次数、邮件特征字段对分类结果的影响,以及对层次分类和平面分类的效果进行了比较。实验表明,特征数量和迭代次数分别取2 000和250时为宜;充分利用邮件各字段信息,取得的总体分类效果最好,但对合法邮件,利用邮件头及邮件标题却取得了最好结果,并在层次分类中验证了这点,层次分类效果要优于平面分类。最后进行了总结和展望。     

基于预训练的无监督神经机器翻译模型研究

依赖于大规模的平行语料库,神经机器翻译在某些语言对上已经取得了巨大的成功。无监督神经机器翻译UNMT又在一定程度上解决了高质量平行语料库难以获取的问题。最近的研究表明,跨语言模型预训练能够显著提高UNMT的翻译性能,其使用大规模的单语语料库在跨语言场景中对深层次上下文信息进行建模,获得了显著的效果。进一步探究基于跨语言预训练的UNMT,提出了几种改进模型训练的方法,针对在预训练之后UNMT模型参数初始化质量不平衡的问题,提出二次预训练语言模型和利用预训练模型的自注意力机制层优化UNMT模型的上下文注意力机制层2种方法。同时,针对UNMT中反向翻译方法缺乏指导的问题,尝试将Teacher-Student框架融入到UNMT的任务中。实验结果表明,在不同语言对上与基准系统相比,本文的方法最高取得了0.8～2.08个百分点的双语互译评估(BLEU)值的提升。