人工神经网络在含氧有机化合物定量结构-保留关系中的应用

采用人工神经网络（ANN）对一系列含氧有机化合物的气相色谱保留指数建立定量结构-保留关系（QSRR）的模型,和多元线性回归（MLR）预测结果进行比较。在OV-1固定相上,相关系数R分别为0.989 1,0.991 1;在SE-54上,相关系数R分别为0.989 2,0.991 7。结果表明：MLR建立的模型优于ANN,具有良好的拟合度和预测精度。     

乙炔清净次氯酸钠溶液的循环新工艺

将氯气处理吸收塔制得的次氯酸钠用于乙炔清净,次氯酸钠废液循环利用。由于采用了DCS程控技术,使该方法变得可行并且简单。     

缺血性脑卒中患者CYP2C19基因多态性与个体化用药的相关性

目的：探讨根据CYP2C19代谢分型进行的个体化用药调整对于氯吡格雷治疗缺血性脑卒中的指导作用,为临床个体化用药提供参考。方法：纳入80例脑梗死患者,根据是否行CYP2C19基因检测分为经基因检测的个体化用药指导组40例和非基因检测的对照组40例。个体化用药指导组根据CYP2C19代谢分为：慢代谢型、中间代谢型、快代谢型及超快代谢型。快代谢型及超快代谢型按照常规使用氯吡格雷75 mg,每天1次。中间代谢型采用双倍氯吡格雷剂量150 mg,每天1次。慢代谢型患者氯吡格雷更换为替格瑞洛90 mg,每天2次或停用氯吡格雷,改用阿司匹林肠溶片100 mg每天1次;对照组按照常规使用氯吡格雷75 mg,每天1次。对所有入组患者出院后进行为期3个月的门诊或电话随访。比较两组血管事件发生率和改良Rankin量表（mRS）（0-1）发生率。结果：个体化用药指导组血管事件发生率明显低于对照组,mRS评分（0-1）发生率明显高于对照组,差异均有统计学意义（P<0.05）。结论：经CYP2C19基因检测对缺血性脑卒中患者进行的个体化用药,能显著降低血管不良事件发生率,同时对于患者预后生活能力改善也有显著提高。     

海上风电场对鸟类行为的影响分析

随着全球海上风电场的不断增加,其对海洋环境的影响,尤其是对鸟类行为的影响不可忽视。结合国外海上风电场对鸟类行为影响方面的研究成果,就海上风电场的建设对鸟类的栖息、觅食以及鸟类的迁徙、存活等行为的影响进行了总结和讨论,以期为我国海上风电场建设对鸟类行为影响研究提供参考。     

煤层气:中海油的侧面进攻

像中石油一样,中海油也持有了中联煤层气有限公司50%的股权,它是否会走中石油旧路?1月5日,全国煤矿瓦斯防治部际协调领导小组第八次会议指出,要推动煤层气产业化发展,研究解决煤层气开发的体制机制问题。1月6日,全国能源工作会议透露,2015年全国煤层气产量将达到200亿立方米。     

液固散式流态化CFD模拟中曳力模型的影响

基于无黏性双流体简化模型在商业化软件平台上,通过增加用户自定义子程序考察了Gidaspow、Syamlal-O’Brien、Di Felice、Gibilaro、Dallavalle和BVK曳力模型对液固散式流态化CFD模拟结果的影响行为,探讨了相应的影响机制。经与文献中不同颗粒Reynolds数的代表性实验数据对比后发现：BVK和Dallavalle曳力模型对床层膨胀高度和整体固含率的预测精度较高;BVK、Syamlal-O’Brien以及Dallavalle曳力模型给出的床内固含率径向分布较为准确;BVK曳力模型较为准确地再现了颗粒轴向速度的径向分布特征。BVK曳力模型的影响机制与液固散式流态化中颗粒动力学特性相符合,在所考察范围内其预测性能最优;Dallavalle曳力模型在其余5个传统模型中预测性能较优且形式简洁在程序中易于实现。     

混煤质量评价方法的研究与应用

建立在传统的单种煤基础上的配煤炼焦理论难以适应现代煤源状况,必须依据中国煤炭分类的原则和商品煤反射率分布图来确定炼焦煤的黏结性和结焦性,鉴别其混煤的程度,正确评价混煤的性质及其在炼焦配煤中的作用,通过小焦炉炼焦,制定合适的配煤方案。试验表明,合理利用混煤配煤炼焦,可以消除混煤对炼焦配煤的不利因素,生产出高质量的焦炭,满足高炉生产的要求。     

浅议应对素质教育要求的化工实验教学改革

实验教学是提高学生创新能力、实践能力和综合素质的重要途径,是素质教育中不可或缺的一部分。对于化工专业而言,实验教学的作用更为重要。针对目前实验教学中存在的问题,结合多年的实践教学经验,详尽的剖析了实验教学的现状,较为全面的提出了实验教学的改革措施,以期为学生的素质提高提供有力的支撑。     

电气设备接地装置的运行与维护

近来,工厂、工地和生活中用电事故频发,包括人身安全事故和机器设备的损坏,分析事故的主要原因,多数情况下是因为人们安全意识差,对电气设备接地装置的运行和维护重视程度不够.所以本文对电气设备接地装置的运行和维护进行了探讨,以提高人们的警觉.     

一种基于深度迁移学习的滚动轴承早期故障在线检测方法

近年来, 深度学习技术已在滚动轴承故障检测和诊断领域取得了成功应用, 但面对不停机情况下的早期故障在线检测问题, 仍存在着早期故障特征表示不充分、误报警率高等不足. 为解决上述问题, 本文从时序异常检测的角度出发, 提出了一种基于深度迁移学习的早期故障在线检测方法. 首先, 提出一种面向多域迁移的深度自编码网络, 通过构建具有改进的最大均值差异正则项和Laplace正则项的损失函数, 在自适应提取不同域数据的公共特征表示同时, 提高正常状态和早期故障状态之间特征的差异性; 基于该特征表示, 提出一种基于时序异常模式的在线检测模型, 利用离线轴承正常状态的排列熵值构建报警阈值, 实现在线数据中异常序列的快速匹配, 同时提高在线检测结果的可靠性. 在XJTU-SY数据集上的实验结果表明, 与现有代表性早期故障检测方法相比, 本文方法具有更好的检测实时性和更低的误报警数.