醇-水体系中pH值和焙烧温度对合成MgO纳米片晶体性质的影响

采用液相法,在醇-水体系中,以Mg(NO3)2·6H2O为镁源、PEG-2000为表面活性剂、NH3·H2O为沉淀剂,研究了pH值和焙烧温度对制备MgO纳米片晶体性质的影响.采用XRD、SEM和BET等手段对MgO纳米片晶相组成、微观形貌、孔结构进行分析表征.研究结果表明,pH值和焙烧温度对MgO纳米片晶相组成没有影响,但对样品微观形貌和比表面积影响较大.较低的pH值和焙烧温度或者较高的pH值和焙烧温度均会导致样品形状不规则,出现不同程度团聚,比表面积较小.在pH=10、焙烧温度500℃条件下制得MgO纳米片形状规整、分散性较好,比表面积、孔容和平均孔径分别为145.42 m2·g-1、0.67 mL·g-1和18.56 nm.     

单颗粒稀土纳米晶的三基色上转换发光

可调谐发光颜色的上转换荧光纳米粒子具有广阔的应用前景。本文设计并成功合成了结构紧凑的多层核-壳纳米颗粒。在不同波段激光的泵浦下,该颗粒中不同壳层分别产生红、绿、蓝3种颜色的上转换荧光。光谱测试结果表明,样品三基色发光的颜色纯度较好,并且可以实现全色域的颜色实时调节。此外,还测试了样品发光强度与泵浦功率之间的依赖关系,用于研究其中的上转换发光机理。这种在单颗粒水平上具有全色域可调发光的紧凑核-壳结构纳米晶体在多通道生物检测及成像、超高分辨率显示器件、高端防伪应用等领域显示出巨大的潜力。     

均值-方差准则下具有利率和通胀双重风险的资产负债管理问题

在均值-方差准则下研究具有利率风险和通胀风险的资产负债管理问题.首先,利用Lagrange乘子技术将这个资产负债管理问题转化为一个标准的均值-方差有效问题.然后,利用Hamilton-Jacobi-Bellman方法、偏微分方程方法和Lagrange对偶定理得到原问题有效的投资策略和有效前沿的解析表达式.最后,在解析表达式的基础上,通过数值算例分析了模型主要参数对投资策略和有效前沿的影响.     

强点火作用下C3HF7对甲烷-空气爆炸的抑制

为解决瓦斯输送过程中的爆炸安全问题,探索寻找绿色环保且阻火性能优越的新型抑爆剂,开展了当量比下甲烷-空气预混气体爆炸传播过程中的七氟丙烷抑爆效果研究。实验采用长径比L/D=108的水平管道爆炸特性测试系统,研究了在强点火作用下不同体积分数的七氟丙烷对9.5%甲烷-空气预混气体最大爆炸压力、最大压力上升速率和火焰传播速度的影响。实验结果显示:将2.5 m长的管段作为七氟丙烷抑爆区时,七氟丙烷阻断9.5%甲烷-空气预混气体爆炸火焰传播的最小体积分数为5%;当七氟丙烷的体积分数为1%~4%时,不仅无法阻断爆炸火焰的传播,而且与对照组相比,会使火焰传播速度加快;当七氟丙烷的体积分数为1%~6%时,爆炸源及管道末端处的爆炸压力峰值随着七氟丙烷体积分数的增加而逐渐减小;当七氟丙烷的体积分数为3%时,抑爆区处的爆炸压力峰值与对照组相比增幅为10.9%。     

NeuDATool：支持GPU硬件加速和计算机集群跨节点并行的开源中子散射数据分析软件

实验势精修是20世纪80年代英国散裂中子源无定型材料组开发的用于分析中子散射实验数据的软件. 实验势精修的目标是根据中子散射数据重建样品的三维原子结构. 在过去的几十年，实验势精修被广泛用于中子散射实验数据分析，为实验用户提供了可靠的分析结果. 但是实验势精修是基于共享内存并行计算(OpenMP)的Fortran程序，不支持计算机服务器集群跨节点并行加速和GPU加速；这限制了它的分析速度. 随着计算机服务器集群的广泛建设和GPU加速技术的普遍使用，有必要重新编写EPSR程序以提高运算速度. 本文使用面向对象的C++语言，开发了一套实现EPSR算法的开源软件包NeuDATool；软件通过MPI和CUDA C实现了计算机集群跨节点并行和GPU加速. 使用液态水和玻璃态二氧化硅的中子散射实验数据对软件进行了测试. 测试显示软件可以正确重建出样品的三维原子结构；并且模拟体系达到10万原子以上时，使用GPU加速可以比串行的CPU算法提高400倍以上的模拟速度. NeuDATool为中子实验用户尤其是对熟悉C++编程并希望定义特殊分析算法的实验科学家提供了一种新的选择.     

羟基对界面水分子的扰动与其对非离子型氢氟烃杂化表面活性剂聚集行为的改变

本文合成并比较了具有和不具有羟基的两种非离子型氢氟烃杂化表面活性剂，它们均表现出良好的热稳定性和优异的表面活性. 实验观察到羟基对改变其溶液的表面张力和所形成胶束的形态具有较大的影响. 该作用可归因于烷烃基团从空气/水表面上方到其下方的重排以及由羟基诱导的界面水结构的扰动. 本工作提供了一种通过修改界面处的取向结构来弱化碳氢链和碳氟链之间的不混溶性，从而利于设计具有不同界面性质表面活性剂的策略.     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。