分散固相萃取结合液相色谱串联质谱法检测牛可食性组织中吡喹酮残留量

目的建立分散固相萃取结合液相色谱串联质谱法检测牛肉、牛脂肪、牛肝和牛肾等可食性组织中的吡喹酮残留量的分析方法。方法取牛组织样品经50%(V:V)乙腈溶液提取,加入无水硫酸镁和氯化钠进行脱水和盐析,正己烷脱脂,高速离心分层后,取适量乙腈层溶液经0.1%(V:V)甲酸稀释后,用酸性氧化铝粉末进行样品净化并以10000r/min离心取上清液,过0.22μm滤膜后上机测定。使用反相色谱柱进行分离,流动相为0.1%甲酸和乙腈溶液,采用梯度程序进行洗脱,三重四极杆质谱进行定性定量分析。结果吡喹酮在2.5～500μg/kg范围内线性关系良好(r0.995),方法的最低检出限为1μg/kg,最低定量限为2.5μg/kg,添加回收率在60%～110%,相对标准偏差(relative standard deviation, RSD)10%。结论该方法具有较好的准确度与精密度,适用于牛可食性组织中吡喹酮残留量的测定。     

低速非达西流压裂液滤失系数计算方法研究

影响低渗透油藏压裂过程的关键因素有液体粘度、油藏压缩性、基质渗透率及压力。压裂过程中,随着缝内压力的变化,压裂液的滤失系数也会随之变化。本文建立了一种将地层中液体流动视为非达西流,裂缝中液体流动视为达西流的新型压裂液滤失模型,并用Matlab软件绘制相关模型曲线,通过对曲线的分析压裂液滤失系数的影响因素。     

螺旋锥齿轮齿面测量点分布新方法研究

针对现有螺旋锥齿轮齿面检测方法不能全面反映齿面的结构特性以及测量数据量过大、测量设备成本高、测量路径复杂、测量点布局没有考虑制造质量特征的影响等问题,提出了螺旋锥齿轮齿面测量点的自适应分布方法,建立了螺旋锥齿轮齿面几何特征和制造质量特征的云模型,研究了螺旋锥齿轮齿面测量点分布算法。并以螺旋锥齿轮副中的小齿轮为例进行了算法验证,结果表明:使用该方法得到的螺旋锥齿轮齿面测量点分布反映了齿面的几何特征和制造质量特征,分布测量点相对较少,基本符合测量点分布预期。     

SiO2、Na2CO3对预还原烧结过程中气化脱磷的影响

白云鄂博铁精矿磷含量较高为0.08%(质量分数),且磷元素主要以氟磷灰石的形式存在。基于前期白云鄂博矿磷的赋存状态及白云鄂博矿预还原烧结工艺对脱磷影响的研究,同时为了开发利用其他中、高磷铁矿,研究了白云鄂博铁精矿预还原烧结过程中磷的气化脱除机制。利用FactSage热力学软件、XRD、SEM-EDS对比分析不同SiO2、Na2CO3添加量对预还原烧结过程中气化脱磷率、金属化率以及物相转变的影响。结果表明:最佳的SiO2、Na2CO3添加量(质量分数)分别为3%、1%,对应的脱磷率为31%,金属化率为96%,实现了预还原烧结过程中磷的有效脱除,进一步明确预还原烧结脱磷机制,为以后中、高磷铁矿脱磷的研究指明了方向。     

微波水热法合成钛酸盐纳米管用于CO2/CH4吸附分离的研究

采用微波水热法合成了具有发达孔结构的钛酸盐纳米管(TiNTs),并用浸渍法将二乙烯三胺(DETA)、三乙烯四胺(TETA)、四乙烯五胺(TEPA)负载至钛酸盐纳米管上,用以吸附分离CO_2和CH_4。利用扫描电镜(SEM)、低温氮吸附仪(BET)、傅里叶变换红外光谱(FT-IR)等方法对吸附剂结构进行表征,通过贝士德吸附仪研究其CO_2和CH_4的吸附性能,并对CO_2/CH_4的分离系数进行模拟计算。结果表明,60%TEPA改性的TiNTs分离因子最大,能很好地分离CO_2和CH_4;胺修饰的TiNTs除具有较高的CO_2吸附能力外,还具有良好的分离能力,在煤层气CO_2脱除方面表现出很大的应用潜力。     

点云数据在深度学习中表示方法的研究

为了实现在深度学习中能够端到端表示点云模型,提出基于八叉树和K-D树（OctKD）的点云数据表示方法。该方法将无组织的点云转换为体素空间,在体素空间对三维模型进行八叉树剖分,改进了八叉树编码方式;构建节点间的邻接关系,在GPU端并行构建八叉树;为了克服八叉树编码检索效率低的问题,采用三维K-D树索引单个三维空间点。实验结果表明该方法能够真实反映模型本身的细节特征,提高了点云模型的构造时间和检索效率。这种新的数据结构实现将点云转换为卷积神经网络可以接收的数据形式。     

基于无监督学习的单人多姿态图像生成方法

针对目前视觉监控领域中采集到的人物数据样本量少和特征单一的问题,提出了一种具有高视觉感知约束的双向生成对抗网络生成期望人物姿态图像的方法。采用给定人物的单个图像和期望姿态的二维骨架作为双向生成对抗网络的输入,生成具有该目标人物期望姿态的图像。将生成的期望姿态图像反映射回原始姿态图像,利用少量的图像以无监督学习方式进行学习,生成该人物期望姿态的高质量图像。提出的方法在DeepFashion公开数据集上进行了实验,结果表明,采用文中提出的方法生成的图像结构相似度(SSIM)比以往的方法提高了0.28,有效的提升了基于无监督学习的单人多姿态人物图像生成的质量。     

面向中文社交媒体语料的无监督新词识别研究

该文结合词向量技术和传统统计量,提出了一种新的无监督新词识别方法。该方法利用传统统计量获得候选新词,然后采用多种策略训练得到词向量,利用词向量构建弱成词词串集合,并使用该集合从候选新词的内部构成和外部环境两个方面对其进行过滤。此外,该文人工标注了一万条微博的分词语料作为发展语料,用于分析传统统计量以及调整变量阈值。实验使用NLPCC2015面向微博的中文分词评测任务的训练语料作为最终的测试语料。实验表明,该文方法对二元新词进行识别的F值比基线系统提高了6.75%,比目前新词识别领域最佳方法之一Overlap Variety方法提高了4.9%。最终,在测试语料上对二元新词和三元新词识别的F值达到了56.2%。