反相高效液相色谱法制备银杏叶中聚戊烯醇同系物单体

利用制备高效液相色谱法从银杏叶中分离制备了聚戊烯醇同系物单体。在HiQ sil C18柱上,以异丙醇-甲醇-正己烷-水(体积比为50∶25∶15∶4)为流动相,流速10 mL/min,采用等度洗脱方式,制备了8种化合物,经紫外光谱、红外光谱及质谱分析,确认它们分别为C70,C75,C80,C85,C90,C95,C100和C105聚戊烯醇,其中主要成分为C85及C90聚戊烯醇。高效液相色谱分析表明,制备的C75C105聚戊烯醇化合物的纯度均在96%(质量分数)以上。在该色谱条件下,各色谱峰达到了基线分离,     

基于美团外卖商家选择的一种群体决策方法

随着人们生活节奏的不断加快,外卖成为人们生活中不可或缺的一部分。美团外卖作为O2O外卖平台的一个引领者,被大家普遍认可并得到广泛使用。在生活中,我们经常会为这样的问题而纠结:有几家同类型的店铺,似乎差异不大且都未消费过,该选哪家订外卖呢？首先,本文基于问卷调查的结果,确定了指标因素并计算出其权重。其次,给出构建区间互反判断矩阵的方法,从而建立了一个多准则群体决策模型。最后,通过实例分析了方法的适用性。     

考虑空间变异性的框架结构可靠度分析方法

空间变异性是结构参数的固有属性，对于工程结构的随机响应和可靠度分析具有重要影响。结合随机场离散的局部平均理论和随机响应分析的摄动随机有限元法，提出一种考虑参数空间变异性的平面框架结构可靠度分析方法，并定量分析了参数空间变异性对结构可靠度的影响规律。首先，考虑随机因素的空间变异性，采用二维线性随机场离散的局部平均理论将平面框架结构的连续随机场离散为一组随机变量，并通过理论推导建立了随机场局部平均间协方差矩阵的二重积分表达式；然后，采用摄动随机有限元法分析结构随机响应及其对基本随机变量的梯度向量，并利用可靠度分析的梯度优化法计算结构可靠指标，从而提出了一种考虑参数空间变异性的平面框架结构可靠度分析方法。分析表明，该方法具有较高的计算精度和计算效率；随机场离散的局部平均理论对相关结构类型不敏感；随着随机场相关偏度和变异性的增大，框架结构的可靠指标逐渐减小，说明结构参数的空间变异性对结构可靠度的影响不容忽视。     

不同颗粒粒径重塑与原状膨胀岩物理力学性质变化规律研究

以南宁盆地膨胀岩为研究对象,通过室内试验测定原状样与不同颗粒粒径重塑样的膨胀力、抗剪强度及热特性,研究其性质差异。结果表明:重塑后不同粒径范围膨胀岩土样的无荷膨胀率较原状样明显升高,而主应力差峰值、抗剪强度和热物理指标较原状样均有降低。因此,应选择合适粒径范围的土颗粒重塑代替原状样进行室内试验:无荷膨胀率和膨胀力试验应选择粒径范围1 mmd 2 mm的土颗粒;三轴试验和热物理指标测试应尽量选择粒径较小的土颗粒。     

高取代度淀粉磷酸酯的理化性质及结构表征

以磷酸二氢钠、磷酸氢二钠的混盐为酯化剂,干法制备高取代度木薯淀粉磷酸酯(CSP-HDS)。研究表明,取代度不同时,产物的表观粘度、糊透明度、凝沉性、冻融稳定性均不相同。与木薯淀粉相比,酯化反应后产物粘度增大,糊透明度、凝沉性及冻融稳定性得到改善。XRD分析表明酯化反应主要发生在淀粉分子的非结晶区,对结晶区破坏不明显;SEM分析显示酯化后大部分淀粉颗粒保持原来形貌,仅少数团粒受到侵蚀。     

离子掺杂与载体类型交互效应对纳米TiO2薄膜光活性改性研究

采用溶胶-凝胶法在六种不同基体材料上制备了掺杂La3 的TiO2纳米复合材料.利用扫描电子显微镜(SEM),x射线衍射(XRD)及紫外-可见吸收光谱对其TiO2薄膜的TiO2颗粒形态和相组成进行了详细研究,并以甲基橙为模拟对象,研究了不同浓度的La3 掺杂对催化剂光活性的影响,结果表明:脱色率(η%)随载体、掺杂浓度不同而变.不锈钢载体掺杂浓度为0.604×1021/cm3La3 的二氧化钛薄膜对甲基橙有最高的降解效率,陶瓷载体掺杂0.604×1017/cm3La3 的降解效率最高,玻璃载体最佳La3 掺杂浓度为6.04×1017/cm3,而钛片载体最佳La3 掺杂浓度为0.604×1023/cm3.     

流动注射化学发光法测定丹皮酚

丹皮酚有解热、消炎、止痛、镇静等功效[1]。目前测定丹皮酚的方法有高效液相色谱法[2,3]、薄层色谱法[4]、毛细管气相色谱法[5]、毛细管电泳法[6,7]、紫外分光光度法[8]。流动注射是一种高度重现的进样技术[9],它同化学发光法联用,具有快速、灵敏和仪器简单等优点。用化学发光     

对比变分自编码器的近红外光谱测量及其在液态样品检测中的应用

近红外光谱是热门的食品检测方法之一,对于这种高维光谱数据的分析常常需采用数据降维算法提取其中的特征,然而绝大多数算法都只能针对单个数据集进行分析。虽然已有基于对比学习的对比主成分分析成功应用于不同水果表面农残的近红外光谱检测中,但是该方法只能以线性的方式组合原有特征,特征提取效果存在局限性,并且需要调节对比参数来控制背景集影响,需要消耗更大的时间成本。cVAE（contrastive variational autoencoder）是一种基于对比学习和变分自编码器的改进算法,被用于图像去噪和RNA序列分析中,它仍然具备分析多个数据集的特点,同时因为组合了神经网络的概率生成模型而具备了提取非线性隐含特征的能力。将cVAE算法应用于近红外光谱分析,建立了准确的近红外光谱数据降维模型。在实际验证中,使用cVAE算法对购买的不同品牌和批次纯牛奶中掺假三聚氰胺进行检测。结果表明,使用VAE算法只能区分出不同品牌和批次的纯牛奶,而其中是否掺假三聚氰胺这一重要信息无法表现出来;而使用cVAE算法进行数据分析时,由于添加了背景数据集分离了无关变量,能够清晰的将有无掺假三聚氰胺的样本分类。这说明了,cVAE不仅具备了cPCA（contrastive principle component analysis）在近红外光谱数据降维中的优势,而且具备提取非线性特征的能力,同时不需要调节可变参数,能够更方便地建立近红外光谱降维模型。