教师超标准绩效激励与高校发展方向、成就分析

本文以长三角及附近地区高校教师绩效收入为样本,基于高校发展方向分别从教师超标准收入三个方面分析教师超标准的薪酬激励将会对高校发展结果产生何种影响。分析结果表明高校在选择教师绩效激励模式时应尽量做到绩效激励的标准化。对于高校教师薪酬激励体系设计具有一定的现实意义。     

小微企业信用风险评估的IDGSO-BP集成模型构建研究

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以“均平方误差最小”为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GA-BP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。     

基于高校发展战略、教师合理绩效激励与高校发展成果的薪酬激励研究

以东部高校教师绩效收入为样本,基于高校发展战略分别从教师绩效收入三个方面分析发展战略的差异是否导致薪酬激励的差异;各种发展战略分别与何种薪酬激励方式相匹配。分析结果表明高校在选择教师绩效激励模式时应考虑自身发展战略,同时尽量做到绩效激励的合理化。对于高校教师薪酬激励体系设计具有一定的现实意义。     

生产计划推理方法的研究

为了解决传统生产计划制订不适应现代市场需求的问题,本文将CBR引入到生产计划制订当中,成功建立了生产计划的推理模型,并讨论了模型的推理机制,该方法对生产计划的快速制订具有一定的参考意义。     

燃料电池中Pt基催化剂对CO的催化氧化

燃料电池具有燃料多样性、噪声低、对环境污染小等优势,近年来备受研究者关注。然而,电池中的贵金属催化剂极易被少量的CO毒化,成为制约其商业化的一大障碍。因此,设计出高性能的催化剂对于推动燃料电池的发展十分关键。本文综述了燃料电池中铂(Pt)基催化剂对CO催化氧化的研究现状,首先探讨了CO催化氧化机理以及CO在Pt金属表面化学吸附的机理,其次详细介绍了Pt负载型催化剂、双金属催化剂以及助催化剂在催化反应中的不同作用,然后简单分析了影响Pt基催化剂性能的其他因素。最后,对燃料电池中Pt基催化剂的研究方向作了进一步的展望,旨在为燃料电池中CO催化氧化的发展开拓新思路。     

基于气相色谱-静电场轨道阱高分辨质谱的海参中风险物质的筛选北大核心CSCD

建立了一种基于改良QuEChERs的样品前处理新方法,并通过气相色谱-静电场轨道阱高分辨质谱(GC-Orbitrap HRMS)对海参样品中的有机氯农药类(OCPs)、多环芳烃类(PAHs)、酞酸酯类(PAEs)、多氯联苯类(PCBs)及其他农药类(ACs)等10大类289种具有健康风险的有机污染物进行了高通量高精准的定性鉴别和定量分析。通过将传统的QuEChERs方法与柱净化方法结合,提出了一种基于改良QuEChERs的简便生物样品制备新方法,经弗洛里硅土(Florisil)柱净化后脂含量降低了99.9%,显著减少了基质效应对分析结果的干扰,可在高分辨质谱(6万分辨率)全扫描模式下对289种目标化合物同时进行高精准定性筛查和定量分析。该方法定量限约0.56~57.8 pg/g,线性范围约6个数量级,回收率范围为40%~120%。由于Q Exactive GC-Orbitrap HRMS具备较高的质量分辨率和灵敏度,因此对目标化合物的定量限显著优于常规的色谱和质谱分析方法,常规方法无法检出的超痕量有机污染物利用该研究开发的方法可进行精准定量。基于此高覆盖度多目标分析方法对养殖场采集的海参样品进行分析,共从海参体内检出100种有机污染物,其中PAHs、ACs、PAEs、OCPs类检出总含量相对高于其他类污染物,总含量均值分别为157.8、153.2、64.4和46.4 ng/g dw。9-氯芴、5-氯苊、3-甲基胆蒽等多种新污染物首次在海参样品中检出,但含量都非常低。该方法简单高效,定量限低,线性范围宽,结果准确。此高覆盖度多目标分析方法可广泛应用于各种水产品中风险物质的广谱筛查和精准定量,为食品安全和绿色养殖提供技术支撑。     

机器学习筛选用于气体吸附分离和存储的金属有机骨架材料

金属有机框架（Metal-organic framework ,MOF）因其高孔隙率、高比表面积和结构可调性,在气体吸附分离领域广泛应用。随着MOF数量激增,传统分子模拟和实验方法验证MOF性能成本高且速度慢,因此目前MOF筛选工作已转向高通量计算辅助的机器学习（Machine-learning,ML）。机器学习作为一种高效的大数据处理方法,能够在高通量筛选（High-Throughput Computational Screening,HTCS）的基础上对数据进行拟合,从而快速而准确地筛选出气体吸附分离材料,并深入挖掘其结构与性能之间的关系。本文回顾了近年机器学习应用于MOF筛选的研究。本文重点讨论了一些运用机器学习从大量结构中筛选出可用于CH4、H2和CO2等气体吸附分离与储存的MOF材料的工作。同时,我们梳理了当前MOF材料筛选工作中的研究思路和进展,并指出了机器学习在筛选MOF材料工作中面临的一些瓶颈和挑战。最后,对该领域的未来发展前景进行了展望。     

单原子催化剂在电化学合成氨中的理论研究进展

传统Haber-Bosch工艺合成氨需要大量的能源消耗和复杂的工厂基础设备。在可再生能源的推动下,将氮气电化学还原为氨被认为是替代Haber-Bosch工艺最有效的方法,这在科学界引起了极大的关注。然而,这个过程受到氨产量和法拉第效率低的影响,因此开发更有效的电催化剂对其实际应用至关重要。在之前报告的催化剂中,单原子催化剂（SACs）在高效利用原子和不饱和配位方面表现出显著优势,这为优化催化剂性能提供了巨大的空间。文章综述了单原子催化剂在电化学合成氨中的理论研究,详细分析了贵金属催化剂、非贵金属催化剂和非金属催化剂这3类单原子催化剂的性能表现,旨在为电化学合成氨技术的发展提供理论参考。     

机器学习结合密度泛函理论计算在材料科学中的研究进展

近年来,材料科学研究中密度泛函理论(DFT)计算与机器学习相结合的方法呈现爆炸式增长的趋势。本文综述了密度泛函理论(DFT)及其高通量方法产生的大量计算数据与机器学习相结合的原理和意义,从DFT计算的基本原理出发,重点介绍了机器学习(ML)方法的流程、常用的算法及其在催化材料预测热门研究方向中的应用,最后剖析了这个新兴领域目前存在的研究问题、挑战以及未来的发展前景。     

1T相MoS2的制备及在电催化分解水析氢反应中的应用

二硫化钼(MoS₂)已成为电化学析氢反应(HER)中铂催化剂的廉价替代品。1T-MoS₂是MoS₂的金属相，由于其具有优异的导电性和更多的电化学活性位点，因此成为了比2H-MoS₂更具前景的理想催化剂材料。本文综述了1T相MoS₂的制备及在HER中的应用。首先，比较了1T-MoS₂和2H-MoS₂几何结构及电子结构的差异，从“自上而下”及“自下而上”的角度概述了1T-MoS₂常用制备方法，总结1T-MoS₂及1T-MoS₂基材料在HER领域的应用；最后指出现阶段关于1T-MoS₂的研究中仍存在的一些关键问题。