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.     

基于Parity-Time对称结构极点效应构建光学三极管模型

为了构建光学三极管模型,设计了一个基于半导体磁性材料InSb的PT(parity-time)对称耦合微腔的结构模型。通过结构参数优化,产生了PT对称结构磁场强耦合的极点效应。在极点频率附近,通过改变输入电流信号改变施加在磁性材料上的磁感应强度,实现极点状态下信号的放大输出。这种放大可以是同相,也可以是反相,该设计实现了特殊光学三极管模型。     

基于实验合理外推线圈在辐向磁场中的受力情况

单匝线圈在辐向磁场中的受力情况,很多教师都用纯数学方法(微元法)推导出其有效长度为线圈周长.文章用音频电流通过方形线圈,依次增加磁铁的个数让学生感觉音量的变化,并进一步合理外推出同样的结论.不仅能让学生体会基于实验合理外推这一科学的研究方法,还能让学生对扬声器的工作原理有清晰的认识.     

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。     

离子对反相高效液相色谱法同时测定尿液中复方α-酮酸片的5种有效成分

建立了同时测定尿液中复方α-酮酸片5种有效成分(消旋羟蛋氨酸钙(HMACa)、酮缬氨酸钙(KVCa)、消旋酮异亮氨酸钙(KILCa)、酮亮氨酸钙(KLCa)和酮苯丙氨酸钙(KPACa))的离子对反相高效液相色谱法。分别考察了离子对试剂浓度、缓冲盐浓度和流动相pH值等参数对分离情况的影响。最终采用Waters Symmetry C18色谱柱(250 mm×4.6 mm,5μm);以乙腈和含15 mmol/L四丁基氢氧化铵的20 mmol/L磷酸盐缓冲液(pH 7.0)为流动相进行梯度洗脱,流速为1.0 mL/min;柱温为35℃;检测波长为210 nm。在上述条件下,5种有效成分得到很好的分离,并且不受尿液中内源性基质的干扰,在20~200 mg/L范围内线性关系良好(r≥0.999 0);HMACa、KVCa、KILCa、KLCa和KPACa的检出限(S/N=3)分别为3.0、5.0、3.6、5.7和2.5 mg/L;定量限(S/N=10)分别为9.6、16.7、12.0、19.0和8.3 mg/L;日间、日内精密度均小于7%;平均回收率在86.79%~112.00%之间,RSD小于9%(n=5)。该方法准确,灵敏度高,重现性好,适用于尿液中这5种有效成分的检测。     

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%。     

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.