砂土串囊式充气锚杆承载力的研究

在砂土地层中,串囊式充气锚杆的研究还比较少,其承载特性及受力机理尚不明确。本文基于莫尔-库仑模型和Vesic圆孔扩张理论法,分别对圆柱体、球体、组合体、椭球体假设下的串囊式充气锚杆的扩大段进行计算分析。并将计算结果与试验得到的实测值进行对比。结果表明:四种形状假设中椭球体的形状假设理论值与实测值的误差最小,仅为8.35%。通过拟合试验数据,并引入与端阻力和侧摩阻力有关的两个系数对承载力公式进行修正,得到了抗拔承载力的经验公式。     

锡苯和铅苯二聚反应的理论研究

采用密度泛函理论B3LYP方法,研究了锡苯和铅苯的[2+2],[4+2]及[4+4]二聚反应的微观机理和势能剖面,考察了Sn(Pb)原子上的2,4,6-三甲基苯基(Mes)取代基对反应势能剖面的影响.研究结果表明,所有反应均为协同过程,且大多数情况下,2个C—Sn(Pb)键同步形成.[2+2]和[4+2]反应在热力学和动力学上均比相应的[4+4]反应容易进行,而[4+2]反应在动力学上比相应的[2+2]反应有利.Sn(Pb)原子上的Mes取代基在热力学和动力学上均不利于反应的进行.铅苯的动力学稳定性与锡苯相当,但其热力学稳定性高于锡苯.     

基质刚性影响声孔效应介导的单细胞基因转染

实验研究了基质刚性对单细胞质粒DNA转染效果的影响。实验采用高声压短脉冲(0.45MPa,10μs)条件的超声对培养在不同硬度凝胶基质(软的凝胶基质：0.2kPa,硬的凝胶基质：40kPa)上的力学敏感细胞NIH 3T3进行质粒DNA转染实验。实验结果表明,培养在硬的凝胶基质上的细胞,质粒DNA转染效率明显高于培养在软的凝胶基质上的细胞。进一步对质粒DNA进行荧光示踪可知培养在不同刚性基质上的细胞导入质粒DNA的方式不同。当细胞被培养在硬的凝胶基质上时,通过声致穿孔产生的小孔进入细胞内的质粒DNA更多,而培养在软的凝胶基质上的细胞,更多的质粒DNA可以通过非声致穿孔作用,例如内吞方式导入细胞。 细胞骨架蛋白分布规律表明,硬的凝胶基质上培养的细胞内有更多的F肌动蛋白微丝,可以更好地支撑起细胞的铺展形态,相对不容易发生内吞作用。而软的凝胶基质上培养的细胞内F肌动蛋白则更多以球形状态存在,细胞形貌骗向圆形,此时更容易发生胞吞作用。     

桥联双β-环糊精液相色谱柱测定药片中盐酸阿罗洛尔对映体

采用一种自制的桥联β-环糊精手性色谱柱（UBCDP）,通过流动相组成、流速、柱温等色谱条件的优化,在极性有机的模式下成功地拆分了盐酸阿罗洛尔对映体,分离度在25 min内可达到1.58。在上述基础上,建立了一种高效液相色谱法荧光法测定药片中盐酸阿罗洛尔对映体含量的新方法,在0.05～0.50 mg·L-1的浓度范围内两个对映体均具有良好的线性关系（R2≥0.999 2）,平均回收率范围为92.8～105.1%（n=5）,检出限（LOD）低于0.025 mg·L-1。该方法操作较简便,选择性较好,灵敏度高,分析时间较短,为盐酸阿罗洛尔手性药物的质量控制和相关药代动力学研究提供了一种新方法。     

基于5-磺基水杨酸的单、双核铜(Ⅱ)三元混配配合物的合成及晶体结构

以5-磺基水杨酸和咪唑衍生物为配体合成了单核、双核结构的三元混配Cu(Ⅱ)配合物:[Cu(H₂biim)(Hssal)(H₂O)₂]·H₂O(1)和{[Cu(MeHbiim)(Hssal)(H₂O)]·0.5H₂O}₂(2)(H₃ssal=5-磺基水杨酸,H₂biim=2,2’-联咪唑,MeHbiim=N-甲基-2,2’-联咪唑),并利用元素分析、红外光谱、紫外-可见光谱、X-射线单晶衍射及热重分析等技术手段对其结构进行了表征。单晶结构解析表明配合物1属于单斜晶系,P2₁／C 空间群,Cu(Ⅱ)离子与1个5-磺基水杨酸根、2个水分子以及1个联咪唑分子形成五配位四角锥构型的单核配合物结构。配合物2属于正交晶系,P2(1)2(1)2(1)空间群,双核Cu(II)离子分别处于五配位四角锥和四配位平面四边形的几何构型的配位环境中,与配合物1不同,5-磺基水杨酸采取μ₂双-单齿配位模式。荧光光谱分析表明配合物2具有较强的荧光性。     

基于FCM的簇内欠采样算法

针对传统分类器在不平衡数据集上性能降低的问题,提出一种基于FCM的簇内欠采样算法(Fuzzy C-means clustering Based Under Sampling In Clusters, FCMUSIC)。使用模糊c-均值聚类算法(Fuzzy C-Means clustering, FCM)将多数类样本划分成若干簇,在每个簇内以类别不平衡比率(imbalanced ratio, IR)的倒数作为采样倍率,得到新的多数类样本并与少数类样本合并,形成新的平衡样本集,结合KNN和Random Forest分类器进行分类。分析在5组不平衡数据集上的分类结果,当使用KNN分类器时,改进后的算法的F1值平均提高了6.65%,G-mean值平均提高了7.75%;使用Random Forest分类器时,F1值平均提高了5.31%,G-mean值平均提高了6.07%。表明FCMUSIC算法能够有效地提升传统分类器对不平衡数据集的分类性能。