X窗口系统服务器软件分析

为了开展＂Ｘ终端的研制＂这一项目的工作,我们对Ｘ窗口系统版本１１第四次发行的软件核心部分进行了剖析,特别是分析了用于Ｘ终端上的Ｘ服务器软件,本文用四节内容介绍分析结果．     

微波消解-火焰原子吸收法测定污泥总锌含量及测量不确定度评定

用微波消解技术消解城市污水处理厂污泥样品,用火焰原子吸收光谱法测定锌,分析影响微波消解-火焰原子吸收法测定总锌含的测量不确定度的各种因素,对各不确定度分量进行了评定和量化,计算了合成标准不确定度和扩展不确定度,污泥中锌含量的测定结果表示为(465±11)mg/kg,k=2。     

关于仓下回填土地基上汽车衡基础计算方法探讨

位于装车煤仓下回填土地基上的汽车衡基础,通过工程实例分析指出该类汽车衡基础设计时,要考虑车辆动荷载对地基变形的影响。     

中国传统武术中的核心力量及功能性力量训练研究

力量训练被认为是身体素质训练的核心部分,力量训练的方法和理念也在实践的过程不断地进步和发展,通过对中国传统武术体能训练方法的分析和思考,分析中国传统武术力量训练方法之中蕴含的核心力量训练和功能性力量训练的理念。     

超低粗糙度高强滑轨钢生产研究与实践

冷连轧超低粗糙度高强滑轨钢生产难度较大,其中又以粗糙度、板形、表面质量等问题的控制尤为突出.通过冷连轧后段机架工作辊粗糙度的调整,配合原料厚度、轧制速度的优化可有助于获得高强滑轨钢低且窄幅波动的粗糙度.通过将前段冷连轧打滑机架工作辊变为毛化辊、将平整的控制方式改为恒轧制力等手段可有效杜绝打滑现象,改善板形.通过酸洗后、...     

橡胶颗粒及EICP技术改良黄土动力特性试验

为探究橡胶颗粒及脲酶诱导碳酸钙沉淀（EICP）技术对黄土动力特性的改良效果,以西安地区黄土为研究对象,分析了仅掺橡胶颗粒和橡胶颗粒联合EICP技术两种改良方式下不同橡胶掺量、橡胶粒径及围压对改良土动强度、动剪切模量及阻尼比的影响,并对其加固机理做出阐述。结果表明：相比于素土,适当掺量的橡胶颗粒能有效改善土体孔隙结构,提高土体骨架,但不同粒径橡胶颗粒在土体中的分布形式及作用形式均不相同,因此两种改良方式下,试样动强度随橡胶掺量的增加先增大后减小,随橡胶粒径的增大先减小后增大,随围压的增大而增大;动强度峰值所对应的橡胶掺量为7%。考虑到不同掺量及不同粒径的橡胶颗粒均对EICP技术起抑制作用,导致生成碳酸钙晶体的沉淀量及碳酸钙晶体在土体中的分布形式存在差异,因此动强度增长率随橡胶掺量的增加而减小,随橡胶粒径的增大先增大后减小,且当橡胶粒径为(1, 2] mm时,试样动强度增长率峰值为29.51%。橡胶颗粒及EICP技术均对黄土动力特性有较大影响,试样动剪切模量随橡胶掺量的增加而减小,随橡胶粒径的增加先减小后增大,随围压的增加而增大;动剪切模量比的变化规律可用修正的Hardin–Drnevic...     

低阶煤的热溶萃取提质研究进展

低阶煤的热溶萃取提质是利用溶剂在温和条件下对低阶煤进行热萃取,通过对原煤的脱水与多级分离,可得到无水、无灰、高热值与良好热塑性的萃取产物与低水分的萃余煤。同时萃取产物在配煤炼焦、高级燃料及炭材料制备等多个领域均具有实际应用优势,拥有较高的附加值,并且该技术中溶剂具备可循环利用的优势。因此,热萃取提质是实现低阶煤分级分质转化利用的有效途径之一。本综述首先介绍了现有各类低阶煤提质处理方式;然后梳理了热溶萃取提质发展脉络,重点综述了低阶煤热溶萃取提质的各类影响因素、反应机理、现有工艺以及产物的利用途径;最后利用“Web of Science核心合集”作为数据源,使用CiteSpace科学计量软件刻画了煤溶剂萃取的知识图谱,通过对研究主题进行分析,总结研究方向并预测研究热点,为低阶煤热溶萃取提质研究提供一定的参考价值。综合分析表明：新型低成本绿色溶剂的选取、萃取产物结构表征及高值利用等领域具有较高的研究趋势,同时需要对萃取机理及萃取物特性定向调控开展深入研究,进一步推动工艺规模化生产进程。     

铁素体轧制对普通用冷轧钢板组织和性能的影响

采用光学显微镜和扫描电镜对比研究了铁素体区热轧工艺及奥氏体区热轧工艺对普通用冷轧钢板(SPCC)产品热轧组织、冷轧组织及性能的影响。结果表明,与奥氏体区轧制工艺相比,采用铁素体区热轧工艺生产的SPCC热轧板晶粒尺寸会增大约17 μm,{111}面织构数量减少了8.74%,强度略微降低,而{001}<110>织构数量增加了12.40%,强度提高了19.81。此外,采用铁素体区热轧工艺生产的SPCC成品晶粒呈近似等轴状,与奥氏体区热轧工艺相比平均晶粒尺寸增大了4.5 μm。SPCC铁素体区轧制热轧板中更大的晶粒尺寸、更少的{111}面织构及更强的{001}<110>取向织构导致了冷轧成品更低的屈服强度和塑性应变比r值,较奥氏体区热轧工艺而言平均屈服强度降低了19 MPa,平均r值下降了1.1。     

融合多源数据输入具有自注意力机制的LSTM股票价格预测

股票价格预测是金融和计算机学科交叉领域的经典问题,由于股票市场的复杂性和高波动性等特征,及时预测股票价格被认为是最具挑战性的问题之一.长短期记忆(LSTM)神经网络在时间序列预测问题中表现出良好的性能.然而,该模型及其改进模型专注于顺序捕获序列信息,在学习输入数据之间非序列性的内部关联方面没有优势.此外,模型在输入数据的融合方面往往并不全面.针对上述问题,提出了融合多源数据、具有自注意力机制的长短期记忆神经网络(SA-LSTM)股票价格预测模型.SA-LSTM模型具有自注意力单元,在学习序列特征时能够快速捕获长距离依赖关系,有效学习数据之间的相关性.在多源数据的融合方面,同时融合与目标股票直接间接相关的数据,解决输入数据不全面的问题.通过对股票次日收盘价预测的实验表明,与其他基准预测模型相比,该模型取得了最佳性能,在不同数据集上均具有最小预测误差.