RAFT法制备窄分布温敏性PNIPAAm

以N,N-二甲基甲酰胺(DMF)为反应介质,偶氮二异丁氰(AIBN)、三硫代碳酸二(α,α′-二甲基-α-乙酸)酯(BDATC)作为链转移剂,使N-异丙基丙烯酰胺(NIPAAm)进行可逆加成—断裂链转移自由基(RAFT)聚合,考察了引发剂(I)与链转移剂(CAT)的浓度比对NIPAAm的RAFT反应结果的影响。结果表明:70℃下,当[CAT]0/[I]0介于20:1～5:1,均可得到分子量分布窄、分子量可控的PNIPAAm,说明其聚合过程符合活性聚合反应的特征。     

氢化丁腈橡胶/丁腈橡胶耐热密封复合材料的性能研究

研究炭黑、白炭黑、碳酸钙和陶土对氢化丁腈橡胶（HNBR）/丁腈橡胶（NBR）耐热密封复合材料的硫化特性、物理性能、耐热空气老化性能和耐油性能的影响。结果表明：白炭黑补强并用胶的耐热空气老化性能和耐油性能较好,但压缩永久变形大;陶土和碳酸钙补强并用胶的各项性能均较差;炭黑N220补强并用胶的物理性能较好,压缩永久变形小,更适合作为制备HNBR/NBR耐热密封材料的补强填料;炭黑N220和N330在并用胶中分散均匀,而炭黑N770分散不均匀,粒子聚集体较多。     

优势频带相位分析技术在AA区块断层解释中的应用

AA区块断裂系统复杂,断层延伸短、断距小,存在连续性差、搭接关系不明等问题,应用常规地震解释方法对此类断层进行识别较为困难。针对研究区存在的问题,利用改进的小波变换分频技术研究断层的最佳成像频带(即优势频带);在最佳成像频带内,通过浏览不同频率的相位切片,优选出断层组合关系最清楚、最全面的优势频带相位切片,观察其相位滞后分布特征,较好地实现了断层精细解释和断裂系统识别。实际应用结果表明,优势频带相位分析技术能识别更多的地层不连续性信息,弥补传统相干等方法的不足,对断层搭接关系的识别和异常边界的划定更为准确。     

暑假“驴行”必备之数码行头

一年一度的暑假又到了,大家又可以好好放松一下自己了。面对着如此长假(两个月呢,呵呵,够长的了)和伟大祖国的美好河山,大家一定有了"驴行"(旅游)的想法。有幸的是,现在出行可不像过去那样,只能带上传统相机。现在我们完全可以在享受祖国大好河山的同时,将自己的心情和感受随时记录到数码设备上,以便回来后与朋友分享或珍藏。为此,我们特地策划了这一期专题,以便让大家直观地选择好适于"驴行"的数码装备,让它们给我们的旅行留下美好的回忆,也让我们更好地享受优美的大自然和多彩的旅途!     

不同领域的活性多肽及其分离纯化的研究进展

本文简要介绍了活性多肽的生物学效应及不同领域中活性多肽的应用情况,并概述了新型技术分离纯化活性多肽的研究进展。     

联合收割机用15－24 10PR农业轮胎的设计

介绍联合收割机用15-24 10PR农业轮胎的设计。结构设计:外直径1 314 mm,断面宽406 mm,行驶面宽度365 mm,行驶面弧度高31. 5 mm,胎圈着合直径614 mm,胎圈着合宽度345 mm,断面水平轴位置(H_1/H_2)0. 80,采用"人"字形胎面花纹,花纹深度15mm,花纹饱和度73%,花纹周节数40。施工设计:胎面采用三方四块结构,缓冲层采用2层930dtex/2V_3锦纶6浸胶帘布,胎体采用4层1840dtex/2锦纶6浸胶帘布,胎冠帘线角度为48°±0. 5°,采用半鼓式成型鼓成型、硫化罐硫化。成品性能试验结果表明,成品轮胎的充气外缘尺寸、物理性能和帘线性能均达到相应标准要求。     

干式空心电抗器匝间绝缘检测综述

为了预防干式空心电抗器匝间绝缘事故发生,文章总结分析了干式空心电抗器匝间绝缘检测方法,分别从干式空心电抗器的故障原因、在线检测、离线检测等几个方面进行分析,从而判断电抗器运行状态。采用国标GB1094.6—2011建议的高频脉冲振荡法对干式空心电抗器进行现场匝间绝缘探索性试验,发现3台设备存在匝间绝缘问题。本次试验测试结果具有一定的准确性,但用高频脉冲振荡法对电抗器匝间绝缘检测还需继续深入探索。     

基于RTDS小步长算法的并网双馈风力发电系统故障仿真研究

为研究并网双馈风力发电系统故障实时运行特性,根据双馈风力发电机并网动态数学模型,在实时数字仿真平台(real time data simulator,RTDS)上搭建基于小步长元件的2 MW双馈式风力发电系统的仿真模型,其"背靠背"变流器采用经典的矢量控制策略。在风力发电系统并网母线故障情况下,分别对风机机械功率与发电机电磁功率的运行特性和背靠背变流器两侧功率及电压等变化情况进行仿真研究。仿真结果表明,故障时基于小步长算法的双馈风力发电系统具有良好的动态性能,同时验证所采用控制策略的有效性。     

基于自适应密度邻域关系的多标签在线流特征选择

流特征选择指从以流形式到来的特征数据中选出最优特征子集,现有方法大多在模型训练中需要事先学习领域信息并预设给定参数值。实际应用中,由于不同的数据集数据结构和来源不同,在模型学习过程中研究人员无法提前获取相关领域知识且针对不同类型数据集指定一个统一参数存在巨大挑战。基于此,提出一种基于自适应密度邻域关系的多标签在线流特征选择方法(multi-label online stream feature selection based on adaptive density neighborhood relation, ML-OFS-ADNR),基于邻域粗糙集理论,所提方法在特征依赖计算时无需任何先验领域信息。此外,提出了一种新的自适应密度邻域关系,使用周围实例的密度信息,可以在流特征选择过程中自动选择适当数量的邻域,不需要事先指定任何参数。通过模糊等价约束,ML-OFS-ADNR可以选择高依赖低冗余度的特征。实验表明在10种不同类型的数据集上,所提方法在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择方法。