多孔氮化硼掺杂聚吡咯-2,3,3-三甲基吲哚固相微萃取涂层的制备及多环芳烃的检测

多环芳烃(PAHs)是持久性有机污染物中的一种，大部分具有较强的致癌、致畸和致突变性，对生态环境和人类健康易造成严重威胁。由于环境样品基质复杂且其中PAHs含量低，因此在仪器分析之前需要对环境样品进行必要的前处理。萃取材料的特性是决定大部分前处理技术萃取效率的关键。基于此，本文以低成本且富含较多官能团的吡咯(py)、2,3,3-三甲基吲哚(2,3,3-TMe@In)为单体，多孔氮化硼为掺杂物，采用电化学循环伏安法制备出多孔氮化硼掺杂聚吡咯-2,3,3-三甲基吲哚(Ppy/P2,3,3-TMe@In/BN)复合涂层，通过扫描电子显微镜、热稳定性分析、傅里叶红外光谱等手段对Ppy/P2,3,3-TMe@In/BN进行表征，结果表明：该涂层呈现出多孔、多褶皱的枝状结构，该结构有利于增加涂层的比表面积，从而实现对PAHs的大量富集；在320℃解吸温度下，涂层材料的色谱基线基本稳定，表明该涂层具有良好的热稳定性。将其修饰在不锈钢丝表面制成固相微萃取涂层，结合气相色谱-氢火焰离子化检测器，对影响萃取和分离萘(NAP)、苊(ANY)、芴(FLU)3种PAHs的条件进行优化，建立了用于以上3种PAHs...     

突出矿井瓦斯抽放限制影响因素的AHP-熵权法评价模型

为提高煤与瓦斯突出矿井瓦斯抽放效果,建立了3个一级指标、14个二级指标的突出矿井瓦斯抽放限制影响因素评价指标体系,利用AHP和熵权法分别确定指标因子主、客观权重.通过实地调研分析和反馈验证了AHP-熵权法的可行性和正确性,利用加权平均法确定评价模型的综合权重.研究表明:封孔方式、钻孔半径、抽放时间、煤体裂隙发育程度和抽放负压是目前影响煤矿瓦斯抽放效果的主控因素.     

桉树杂交种与其亲本的近红外光谱判别

研究桉树控制授粉后目标性状的基因作用方式是探索其基因重组规律的重要内容。常规的数量统计分析精度往往不高,而DNA分析的专业要求高,且费时费力。该研究利用近红外光谱(NIRs)研究不同基因型桉树杂交种、亲本及杂交种与亲本间近红外光谱信息的关系,探索NIRs用于桉树杂交种与其亲本判别的可行性和准确性。以控制授粉的桉树亲本及其杂交F1代材料为对象,每种基因型从各自田间试验分别选取10个单株,采集树冠中上部新鲜健康叶片。用手持式近红外仪Phazir Rx(1624)采集桉树杂交种与其亲本叶片的NIRs信息。每单株选10片完全生理成熟的健康叶片,避开叶脉扫描其正面光谱5次,以50条NIRs信息的均值代表单个叶片的NIRs信息,最终每个基因型获得10条NIRs信息。对原始NIRs采用二阶多项式S.G一阶导数预处理。预处理后的NIRs用于多元统计分析,首先对桉树杂交亲本和子代样本进行主成分分析(PCA),直观展示不同基因型的分类情况。然后运用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种有监督的判别模式验证NIRs用于桉树杂交种与其亲本树种的分类判别效果。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的主因子得分可以清晰地将各基因型分开。SIMCA模式判别分析中,桉树杂交种样本到亲本PCA模型的样本距离显示,待判别样本能够形成单独的聚类,且能直观反映两者的遗传相似。PLS-DA判别结果显示,桉树杂交亲本的PLS模型能通过预测其杂交子代的响应变量将其与亲本准确分开。结果表明,桉树叶片的NIRs信息可以准确地反映桉树杂交子代遗传信息的传递规律,NIRs判别模型可以准确地将各种基因型予以区分。因此,NIRs信息不仅可用于桉树杂交种和纯种的定性判别,还可以分析桉树基因重组过程中加性遗传效应的大小,从而为桉树遗传基础分析及其育种改良研究提供理论支撑。     

高浓铀金属临界装置缓发中子有效份额测量

缓发中子有效份额βeff是反应堆动态特性的重要参数,也是相对反应性与绝对反应性之间的转换桥梁,对于以反应性作为宏观参数的检验工作具有重要意义。测量采用基于Rossi-α方法的Nelson数法开展了快临界装置βeff的实验研究。通过采用铅屏蔽、更薄的6Li玻璃闪烁体、脉冲幅度甄别三种措施,降低了γ射线对测量的影响。实验中测量了反应堆从-60￠到缓发临界之间的7个状态,最终测量得到βeff值为0.006 66,不确定度为7.88%;与理论计算数值偏差为2.15%。测量结果与理论值符合良好,表明了测量方法的有效性。     

煤直接液化油中混合酚的分离研究

利用分子筛择形特点，对煤直接液化油中的混合酚实施高效分离。本研究选取间甲酚和对甲酚作为分离煤直接液化油馏分段混合酚的模型化合物，采用化学液相沉积法对HZSM-5吸附剂的孔口结构进行改变，分析分子筛硅铝比及颗粒粒径对模型化合物间甲酚和对甲酚吸附分离性能的影响，以获得高性能固相吸附剂，并将其应用于180-190℃馏分段混合酚分离。结果表明，当分子筛硅铝比为25、粒径为3-5 μm时，分子筛的孔口结构调节效果最优；当正硅酸乙酯的最小用量为0.2 mL/g时，固相吸附剂的吸附量为0.03 g/g，对甲酚选择性高于95%。由于外表面沉积物对吸附剂的孔口结构变化，导致对甲酚选择性的提高。进一步采用HZSM-5（1）吸附剂对真实煤直接液化油混合酚的分离中发现，苯酚和对甲酚的选择性均达到100%。     

Kustaanheimo–Stiefel变量与二体问题的正规化

本文叙述Kustaanheimo–Stiefel变量及其从四元数发展形成的过程，以及Kustaanheimo–Stiefel变换在二体问题正规化中的应用。     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

一个基于非单调技术的超记忆梯度法

本文给出一个修正的非单调线搜索策略,并结合该策略提出一个求解无约束优化问题的超记忆梯度算法.该算法的主要特点是:在每一次迭代中,它所产生的搜索方向总是满足充分下降条件.这一特性不依赖于目标函数的凸性以及方法所采用的线搜索策略.在较弱的条件下,该方法具有全局收敛和局部R-线性收敛性.数值实验表明了该方法的有效性.