排序方式: 共有52条查询结果,搜索用时 140 毫秒
41.
42.
对折射率线性调制晶体中超短脉冲倍频特性进行了数值计算,在泵浦衰减的情况下,研究了转换效率和脉冲宽度随匹配带宽和晶体长度的变化.大信号时各频率成份在晶体不同位置的不平衡转换致使脉冲展宽,且由于折射率的调制,脉冲宽度和转换效率出现了周期性变化.同时,分析了谐波脉冲啁啾随晶体长度和带宽的变化,发现随着晶体长度的增大,归一化最佳啁啾系数先增大后减小,在长晶体时趋于1,其极大值位置决定于本征带宽和调制带宽.讨论了相位失配量对转换效率和脉宽的影响,结果表明失配因子y决定了中心频率的匹配位置,当y=0时,中心频率在晶体中心匹配,这有利于提高转换效率并减小脉冲宽度. 相似文献
43.
44.
为了研究活性材料爆炸驱动反应特性,基于粉末压制成型工艺,制备了Al/PTFE、Al/Ni两种典型的活性材料及Al2O3/PTFE、Al2O3/PTFE/W惰性材料。通过爆炸驱动试验,并结合高速摄影、远红外热像仪以及峰值超压测试技术,分析了不同活性材料壳体装药爆炸火球、温度场分布及空气冲击波峰值超压等特性。同时,在炸药爆炸空气冲击波峰值超压经验计算模型中考虑了活性材料释放的化学能,分析了反应释放能量对空气冲击波的影响规律。结果表明:活性材料在爆炸驱动过程中经历了强加载条件下反应、产生碎片并向四周飞散、撞击钢板及后续反应等阶段。活性材料对炸药爆炸产生的空气冲击波具有强化作用,爆炸加载瞬间材料仅发生了部分化学反应。 相似文献
45.
46.
将苯乙烯(St)接枝聚合在微米级硅胶表面,制备了接枝微粒PSt/SiO2;使用新型氯甲基化试剂1,4-二氯甲氧基丁烷,对接枝在硅胶表面的聚苯乙烯进行了氯甲基化(CM)反应,制得了氯甲基聚苯乙烯/硅胶(CMPS/SiO2)接枝微粒;使三乙胺与CMPS分子链上的苄氯基团发生季铵化反应,制得了固载有季铵盐(Quaternary salt)的接枝微粒QPSt/SiO2,即制得了接枝型三相相转移催化剂.将此相转移催化剂用于氯化苄与乙酸钠合成乙酸苄酯的相转移催化反应,考察了催化活性、各种因素对相转移催化反应的影响及催化剂的重复使用性能.实验结果表明,接枝型三相相转移催化剂QPSt/SiO2对乙酸苄酯的合成具有较高的催化活性,在液-固-液之间即可有效地实现反应物种乙酸根的转移,在60℃的较低温度下反应7h,氯化苄的转化率可达66.1%;研究发现,固体催化剂QPSt/SiO2表面接枝聚合物PSt的季铵化程度对其催化活性有很大的影响,季铵化程度过大与过小催化活性都较低,当季铵化程度为20%左右时,催化剂的活性最高. 相似文献
47.
硅胶表面抗蚜威分子印迹聚甲基丙烯酸的制备及识别特性 总被引:2,自引:0,他引:2
通过γ-(甲基丙烯酰氧)丙基三甲氧基硅烷的媒介作用,将功能大分子聚甲基丙烯酸(PMAA)逐步接枝到硅胶微粒表面,形成了表面接枝聚甲基丙烯酸的硅胶微粒(PMAA/SiO2);以抗蚜威为模板分子、乙二醇二缩水甘油醚(EGDE)为交联剂,通过氢键和静电作用,对接枝到硅胶表面的PMAA进行分子印迹,制备了抗蚜威分子表面印迹材料硅胶表面分子印迹聚甲基丙烯酸MIP-PMAA/SiO2;采用静态与动态两种方法研究了 MIP-PMAA/SiO2 对抗蚜威的结合特性,并考察了主要印迹条件 pH、混合溶剂中乙醇含量以及交联剂用量对印迹材料结合选择性能的影响.结果表明:表面印迹材料 MIP-PMAA/SiO2对抗蚜威具有特异的结合选择性,相对于参比物残杀威,印迹前 PMAA/SiO2对抗蚜威的吸附选择系数为 1.52,而表面印迹材料 MIP-PMAA/SiO2 对抗蚜威的吸附选择系数提高到 12.2.另外该印迹材料具有优良的洗脱与再生性能. 相似文献
48.
49.
表面活性素是一类具有较强表面活性的微生物脂肽类化合物,能在空气/水界面形成不溶性单分子膜.利用Langmuir膜天平测定了表面活性素单分子膜的压缩-扩张循环曲线,发现单分子膜在经历了“平台区”后出现较大的迟滞环,迟滞环的形状与亚相pH有关.将“平台区”的单分子膜转移到云母表面后,用原子力显微镜(AFM)和扫描电子显微镜(SEM)均观察到高度达几十至数百纳米的表面聚集体,说明表面活性素在单分子膜的“平台区”伴随着自聚集.研究结果表明,表面活性素单分子膜在空气/水界面的迟滞现象是分子浸入亚相和形成三维表面聚集体共同作用的结果. 相似文献
50.
With the rapid development of machine learning, artificial neural networks provide a powerful tool to represent or approximate many-body quantum states. It was proved that every graph state can be generated by a neural network. Here, we introduce digraph states and explore their neural network representations (NNRs). Based on some discussions about digraph states and neural network quantum states (NNQSs), we construct explicitly an NNR for any digraph state, implying every digraph state is an NNQS. The obtained results will provide a theoretical foundation for solving the quantum many-body problem with machine learning method whenever the wave-function is known as an unknown digraph state or it can be approximated by digraph states. 相似文献