原位聚合法制备具有长链支化的三元乙丙橡胶

采用铁系催化剂制备了具有1,2-结构的聚丁二烯,然后在钒系催化剂存在下进行乙烯和丙烯共聚合,原位合成了以聚丁二烯为第3单体的三元乙丙橡胶。并使用核磁氢谱、傅里叶变换红外光谱、三检测器系统凝胶渗透色谱联用仪和热重分析仪对所得的聚合物进行了表征。结果表明,聚丁二烯的质量大于1.0 g时,催化剂聚合活性缓慢降低。随着聚丁二烯用量的增加,相对分子质量增大,相对分子质量分布变宽。VOCl3-Al2(C2H5)3Cl3-ETCA催化体系中,当n(Al)/n(V)=60,n(ETCA)/n(V)=15时,以聚丁二烯作为第3单体具有最高的聚合活性。新型三元乙丙橡胶中既含有可用于硫化的双键,又具有一定量的长链支化结构,具有潜在的工业应用前景。     

褐煤腐植酸的结构、组成及性质的研究进展

综述了从褐煤中提取腐植酸的方法、腐植酸结构、组成以及生产腐植酸磷肥的研究进展。预处理褐煤可提高腐植酸的萃取率,但需要解决其经济性问题。常用气相渗透压法和凝胶渗透色谱测定表观相对分子质量,质谱法和流动场流分离技术测定相对分子质量是研究热点。腐植酸的超分子结构是由小分子簇形成。腐植酸主要由芳香酸和酚组成,热解-气相色谱-质谱是研究腐植酸组成的主要方法,为避免极性化合物的影响,实验时常加入四甲基氢氧化铵。电泳法常被称作腐植酸的指纹信息,用做腐植酸分类。腐植酸和金属离子的络合作用受p H值影响较大,腐植酸-金属-磷酸盐络合物是腐植酸磷肥的主要成分,可减少土壤中磷的固定,增加植物吸收磷的有效性,是腐植酸领域的研究热点。     

潜江:发力“绿色发展” 建设水乡园林精致城市

正2017年7月潜江市被列入全国第三批生态修复、城市修复(简称"城市双修")试点城市。潜江市抢抓机遇,坚持以人民为中心,顺应新时代城市建设要求和人民群众对美好生活的需要,围绕"城乡一体、走在前列"的战略定位,通过打造城乡建设"三大亮点片区"和深化"城市双修"工作,在浴火重生中走出了一条城市建设绿色发展之路。潜江市住建委发挥综合统筹建设作用,牢固树立"城市建设人民说了算"的工作理念,坚持以问题为导向,以规划为引领,以项目为支撑,从老百姓的关注点、利益点出     

化学机械抛光液的研究现状

化学机械抛光(CMP)是一种化学腐蚀和机械磨削协同作用的超精密加工技术。化学机械抛光液是化学机械抛光技术中关键的一部分,对材料的全局平坦化处理起到了至关重要的作用。综述了化学机械抛光液中各组分对抛光性能的影响研究。     

以亚磷酸二烷基酯为第三组分的铁系催化体系催化1,3-戊二烯聚合

以亚磷酸二烷基酯（简称P）为第三组分的铁系催化剂催化1,3-戊二烯（PD）聚合,考察了P的种类及用量、铝助催化剂（简称Al）的种类及用量对聚合的影响。结果表明,P和Al的结构对PD聚合活性影响较大,聚合活性随着P中烷基基团的增大而降低;Al对PD聚合活性的影响由强到弱为:三异丁基铝[Al（i-Bu）3]、三乙基铝、甲基铝氧烷。以2-乙基己酸铁（简称Fe）/Al（i-Bu）3/亚磷酸二乙酯（DEP）为催化剂,Al（i-Bu）3/Fe（摩尔比）为10和DEP/Fe（摩尔比）为2时,在50℃下具有高的PD聚合活性,所得聚合物数均分子量高,相对分子质量分布窄,1,2-结构含量高。     

变截面薄壁空心弯扭结构件激光熔化沉积成形工艺与精度研究

基于光内送粉激光熔化沉积(laser melting deposition, LMD)技术,研究变截面薄壁空心弯扭结构件的成形工艺。针对该类复杂结构件成形轨迹规划的难点,提出空间轨迹单元离散分层法对结构件进行分层并生成离散沉积单元,按设计的路径进行每个离散沉积单元的沉积。针对在实际成形过程中由于机械臂采用线段单元拟合的方式实现光滑曲线运动导致的误差,提出空间变姿态基点偏移补偿技术,对成形过程中实际姿态变化基点的位置偏移进行补偿,以此实现对尺寸误差的有效控制。最终实现变截面薄壁空心弯扭结构件的激光熔化沉积成形,成形所得结构件尺寸精度较高,形状尺寸误差在-0.44%～1.83%之间,结构件平均厚度在5.9～6.19 mm之间,结构件显微硬度在269～282.2 HV之间,结构件表面和内部皆致密均匀,无明显的气孔、裂缝等缺陷。     

基于平均特征重要性和集成学习的异常检测

异常检测系统在网络空间安全中起着至关重要的作用,为网络安全提供有效的保障.对于复杂的网络流量信息,传统的单一的分类器往往无法同时具备较高检测精确度和较强的泛化能力.此外,基于全特征的异常检测模型往往会受到冗余特征的干扰,影响检测的效率和精度.针对这些问题,本文提出了一种基于平均特征重要性的特征选择和集成学习的模型,选取决策树(DT)、随机森林(RF)、额外树(ET)作为基分类器,建立投票集成模型,并基于基尼系数计算基分类器的平均特征重要性进行特征选择.在多个数据集上的实验评估结果表明,本文提出的集成模型优于经典集成学习模型及其他著名异常检测集成模型.且提出的基于平均特征重要性的特征选择方法可以使集成模型准确率平均进一步提升约0.13%,训练时间平均节省约30%.