化妆品安全与风险分析评估方法——新条例配套细则回顾

相比《化妆品中可能存在的安全性风险物质风险评估指南》,《化妆品安全评估技术导则》对化妆品注册备案资料的编写提出了新的更高要求。通过详读《化妆品安全评估技术导则》条款,收集行业信息,汇总了拟写过程的难点问题,为其他企业编写高质量安评资料,顺利通过注册备案提供借鉴。     

MAGNETIC PROPERTY AND THERMOSTABILITY OF Fe-BASE AMORPHOUS ALLOYS WITH HIGH SATURATION MAGNETIZATION

非晶态Fe_80B_(20),Fe_(17.84)B_(16.81)Si_(3.49)C_(1.36),Fe_(65.66)Co_(17.3)B_(15.84)Si_(1.2)和Fe_(6(?).92)Co_(17)B_(19.29)Si_(1.59)C_((?).(?))P_((?).(?))合金用单辊急冷法制备.测量了饱和磁化强度与温度的关系.得到0K时的原子磁矩(?)都在2.03—2.07μ_B之间.非晶态Fe_(80)B_(20)和Fe_(77.84)B_(16.81)Si_(3.49)C_((?).(?))合金的室温饱和磁化强度σ_s(R.T.)和Curie温度Tc相近,而含Co样品的σ_s(R.T.)和T_c分别高于Fe_(80)B_(20)约6%和13%.由热磁、电阻率、差热分析和X射线衍射的测量结果分析了样品的晶化转变.含Co样品的晶化温度T_(cr)与Fe_(80)B_(20)相近,而Fe_(77.84)B_(16.81)Si_(3.49)C_(1.86)的T_(cr)高于Fe_(80)B_(20)约80K.用化学键、T_(cr)与e/α的关系以及晶化过程的复杂性讨论了影响高饱和非晶态合金稳定性的因素.     

快速低温固体S—C—N三元共渗工艺研究

以木炭、尿素和硫化铁为渗剂,用稀土化合物CeCl_3作催渗剂,于570℃进行固体S-C-N三元共渗。试验结果表明,在相同时间内加催渗剂的渗层深度比不加催渗剂的有大幅度提高,且硬度及耐磨性亦有较大提高,硬度梯度较平缓。离子探针分析表明,稀土元素Ce亦被渗入钢的表面,它不仅起到活化渗剂的作用,同时在提高钢的性能方面还起到微合金化的作用。     

改性双氰胺的制备及凝胶试验

用环氧丙烷对双氰胺进行改性，得到了改性双氰胺可在１５０℃，短时间内使环氧树脂固化，用于粉末涂料可降低能耗，节省生产成本。     

双环戊二烯马来酸单酯的合成与表征

通过顺丁烯二酸酐水解并与双环戊二烯发生酸催化加成反应,合成了标题化合物(DHCM),收率达90%,产品中w(DHCM)>85%。通过元素分析、红外光谱和GC-MS等对其结构进行了表征。     

农药工业新兴技术

当前,农药趋向开发高效低剂量、滞留期短、生物降解迅速、有选择作用、对人类和环境安全的新化合物。遍及世界的农药工业研究开发实验室,特别是罗纳-普朗克、汽巴-嘉基、山道士、卜内门、杜邦、孟山都等公司正在专心致志积极筹划和开发新的观念和新的技术,以应付明天的农业需要。这些新观念和新技术大致归纳如下:     

甲醇吹除气中氢的回收方法

对目前甲醇吹除气中氢回收的两种方法进行了比较、分析。     

亚硝酸型反硝化生物脱氮的节能机理及优化方案

须焦化污水处理工艺中，通过对亚硝酸型反硝化生物脱氮与硝酸型反硝化生物脱氮工艺的比较，探讨了需氧量、耗碱量及投资降低的机理。试验得出的优化方案是以NaOH为碱源的亚硝酸型反硝化生物脱氮工艺。     

基于多元混合时序分析及灰色理论的水华藻类生长阶段多因素预测方法

在水华防治工作中,水华预测一直都是1个难点,由于藻类水华整个生成过程各阶段的变化机理不尽相同,现有预测方法采用某1个模型对水华生成的全过程进行建模预测并不合理。因此本文针对水华生成过程中持续时间最长且变化规律明显的藻类生长阶段,采用多元时序分析技术,通过对藻类生长阶段中的多特征因素时序建模分析,以影响和表征藻类生长的特征因素作为模型输入和输出,考虑藻类生长阶段的趋势性、周期性、随机性变化规律,建立多元混合时序模型,并结合灰色理论思想,改进模型预测算法,从而提出基于多元混合时序分析及灰色理论的水华藻类生长阶段多因素预测方法,以实现对包含影响因素在内的特征因素变化特性的全面描述和预测以及对模型预测精度的进一步提高。采用本文方法及传统方法分别对江苏太湖水华特征因素监测数据进行建模预测,结果表明,基于本文方法的水华特征因素预测结果与实测结果更相符、预测平均误差绝对值更小。     

基于Bagging集成学习的水华预测方法研究

随着经济社会的高速发展和工业化建设程度不断提高,水环境问题已经严重影响甚至威胁了人类的健康。近年来,国家大力推行水环境的预测预警,许多专家学者利用人工神经网络等智能方法在富营养化评价及水华预测中得到了较为广泛的运用,也取得了一定成效。然而,人工神经网络的性能受到样本训练算法等方面的影响,在选取合适的神经网络模型、算法以及设置参数麻烦、耗时。随着问题复杂程度的增加,单个网络的隐层节点数将增加很多,训练时间将大大增加,从而造成训练困难。且由于训练过度或不够,往往导致泛化能力较差。为解决此问题,本文在对湖库水华形成机理深入分析的基础上,建立了BP网络的水华预测模型,并利用Bootstrap采样技术获取不同的数据集,分别训练多个BP网络,最终将多个网络进行集成用于建立太湖流域水华预测模型。通过基于Bagging算法的集成学习,可以对样本包含的信息进行充分挖掘,更全面的刻画因素之间的相互联系和变化规律。实验表明基于Bagging算法的BP网络集成模型预测结果与单个BP网络模型预测结果对比,具有较高的预测能力,从而获得了相对理想的预测效果。