液相色谱-电感耦合等离子体质谱(HPLC-ICP-MS)法测定蔬菜中不同形态的铬

蔬菜中不同价态铬元素分析检测能对蔬菜中铬的营养与安全做出正确的评价。为了准确的了解蔬菜中铬的含量及危害,本研究利用高效液相色谱仪-电感耦合等离子体质谱仪（HPLC-ICP-MS）联用技术,以姜、番薯、莲藕等3种蔬菜作为主要研究对象,优化合理有效的提取方式,分离技术以及采集方法,建立测定蔬菜中三价铬和六价铬含量的铬形态分析方法。研究结果表明,以10 mmol/L EDTA-硝酸铵溶液作为提取溶剂,在50 ℃温度下提取络合15 min,该提取方式既保证三价铬完全络合,又能减少六价铬的转化;以 pH值为7.0,50 mmol/L硝酸铵溶液作为流动相,选择52Cr作为铬的质量数,采用氦气碰撞模式进行采集分析,可以在5 min内完成三价铬与六价铬的有效分离和测定;该方法的线性范围为5~200 μg/L,相关系数均大于 0.9999,三价铬与六价铬的方法检出限分别为 0.010 mg/kg 和 0.015mg/kg,精密度RSD分别为0.93% 和1.32%,加标回收结果良好,各技术指标表明该方法能满足测定的需求;本研究所建立的方法前处理操作简单且合理有效、检出限低、准确性和重复性好,可实现对蔬菜中铬形态的快速准确分析。     

EAST八对电流引线罐支撑结构的优化设计与分析

随着EAST高温超导电流引线的技术升级，针对电流引线罐内支撑结构重新进行了优化设计，开展了罐内支撑结构的稳定性分析，最后根据分析结果确定了最优设计方案。针对优化设计后的电流引线罐进行测试，表明其支撑结构可以更好地保证电流引线的安全与稳定。     

衍射深度神经网络下轨道角动量态的校正

衍射深度神经网络(D2NN)通过无源衍射层的深度学习，可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量(OAM)态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练，更新和优化组件中各参数，直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值，便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明：D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响，通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正；当大气湍流强度为10^-14 m^-2/3、D2NN网络层层数为8时，组件性能最佳，其损失函数相比5层网络层的D2NN降低超过45.45%；而对于更强大气湍流的干扰，可以通过增加网络训练时的迭代次数来提高校正的准确度，迭代20次后损失函数的值降低率达到98.03%；对于湍流强度较弱的干扰，训练时采用纯相位参数，组件的性能更优；而对于强湍流的干扰，训练时采用相位参数与振幅参数两者相结合的方法，组件的性能更优；除此之外，OAM态的拓扑荷值越小，校正后的失真...