关于论文中的图

1.图要精选,应具有自明性,切忌与表及文字表述重复。2.图要精心设计和绘制,要大小适中,线条均匀,主辅线分明。3.坐标图标目中的量和单位符号应齐全,并分别置于纵、横坐标轴的外侧。4.图中的术语、符号、单位等应与表格及文字表述所用的一致。     

膨胀剂、减缩剂对超高性能混凝土自收缩性能的影响

为了解决超高性能混凝土(ultra-high performance concrete,UHPC)存在的收缩开裂风险高等问题,研究膨胀剂、减缩剂对UHPC自收缩性能的影响,开展单掺膨胀剂或减缩剂UHPC的扩展度、基本力学性能及自收缩规律的试验研究,并在此基础上对膨胀剂与减缩剂双掺后的减缩效果进行研究.试验结果表明,膨胀剂或减缩剂单掺均提高UHPC扩展度;膨胀剂或减缩剂单掺均降低28 d抗压强度;掺膨胀剂、减缩剂UHPC的28 d自收缩发展可分为3个阶段:快速发展期、缓慢发展期、平稳期;单掺膨胀剂或减缩剂均有效抑制UHPC各阶段的自收缩,其中,膨胀剂HP-CSA质量分数为6.0％时减缩效果最佳,28 d减缩率达93.6％,减缩剂SBT?-SRA(I)质量分数为1.5％时减缩效果最佳,28 d减缩率为43.0％;膨胀剂与减缩剂双掺时未产生协同效应.     

英特尔换帅回归技术的大反攻?

2021年1月13日,英特尔公布的一则消息令这家公司获得业界的极大关注。当天,英特尔宣布任命帕特·基辛格(Pat Gelsinger)为新一任CEO,帕特·基辛格将在2月15日接替现任CEO司睿博(Bob Swan)。我们知道,前任CEO布莱恩·科再奇(Brian Krzanich)离职后,财务出身的司睿博临危受命,到目前也才上任两年,为什么在这个节骨眼上英特尔又换帅了呢?帕特·基辛格又是何许人?他能带领英特尔发起大反攻吗?     

我国水-能源-粮食耦合关系及影响因素

为缓解我国水、能源和粮食资源紧张问题，促进资源可持续利用，构建水-能源-粮食系统，利用耦合协调度模型对我国的30个省（自治区、直辖市）进行测算,并利用空间杜宾模型分析主要影响因素。结果表明：2003—2017年，我国能源、粮食评价[JP]指数高于水资源评价指数，系统综合评价指数逐年递增；大部分省份耦合协调度处于初级协调水平且呈现逐年上升的态势，个别省份耦合协调度濒临失调；耦合协调度空间自相关性较强，虽有明显波动，但是呈现逐年加强的态势；影响耦合协调度的主要因素有从业人口数、固定资产投资额、人均生产总值、人口总数、[JP]文盲人口占比、工业污染排放、城镇化。     

基于梯度提升决策树的车轮轮缘厚度磨耗预测

轮对在列车走行过程中起着导向、承受以及传递载荷的作用，其踏面及轮缘磨耗对地铁列车运行安全性和钢轨的寿命都将产生重要影响。根据地铁列车车轮磨耗机理，分析车轮尺寸数据特点，针对轮缘厚度这一型面参数，基于梯度提升决策树算法构建轮缘厚度磨耗预测模型。在该模型的基础上，任意选取某轮对数据进行验证分析，结果表明：基于梯度提升决策树的轮对磨耗预测模型具有较好的预测精度，可预测出1~6个月的轮缘厚度变化趋势范围，预测时间范围较长，可为地铁维保部门对轮对的维修方式由状态修转为预防修提供指导性建议。     

Mo-Ni-P纳米粒子催化剂的制备与表征

采用二次纳米自组装方法合成大孔容构架式结构的氧化铝载体及催化剂。通过加入不同表面活性剂A、B改善Mo-Ni双金属活性组分的负载方式,制备Mo-Ni-P纳米自组装氧化铝催化剂。通过BET对催化剂进行表征,结果表明,A系列催化剂的最大孔容和比表面积分别为0.49 cm3/g和211 cm2/g,孔道集中分布在10~60 nm之间,所占的比例平均在50%以上;B系列催化剂最大孔容和比表面积分别为0.41 cm3/g和202 cm2/g,孔道集中分布在6~30 nm之间,所占的比例平均为55.72%。并且A、B系列催化剂在0~6 nm和60~100 nm之间的孔分布也有10%以上的分布。由此可知,表面活性剂可以与金属形成一种稳定的自组装体,从而提高活性金属在载体上的分散性,并且这种多极孔存在的Mo-Ni-P纳米粒子催化剂适用于渣油等重油的加氢处理。     

60m~3煤炭运输专用自翻车的研制

介绍了60m3煤炭运输专用自翻车的主要用途、技术原理、技术参数、主要结构及计算情况。     

基于RFID标签阵列的睡眠期间呼吸量连续监测系统

睡眠期间连续且准确的呼吸量监测有助于推断用户的睡眠阶段以及提供一些慢性疾病的线索。现有工作主要针对呼吸频率进行感知和监测,缺乏对呼吸量进行连续监测的手段。针对上述问题提出了一种基于商用无线射频识别(RFID)标签的无线感知用户睡眠期间呼吸量的系统——RF-SLEEP。RF-SLEEP通过阅读器连续收集附着在胸部表面的标签阵列返回的相位值及时间戳数据,计算出呼吸引起的胸部不同点的位移量,基于广义回归神经网络(GRNN)构建胸部不同点的位移量与呼吸量之间的关系模型,从而实现对用户睡眠期间呼吸量的评估。RF-SLEEP通过在用户肩膀处附着双参考标签,消除用户睡眠期间翻转身体对胸部位移计算造成的误差。实验结果表明,RFSLEEP对不同用户睡眠期间的呼吸量连续监测的平均精确度为92.49%。