TiSiW12O40/TiO2催化合成己酸异戊酯

报道了以固载杂多酸盐TiSiW12O40/TiO4为多相催化剂，通过己酸和异戊醇反应合成了己酸异戊酯，探讨了TiSiW12O40/TiO4对酯化反应的催化活性，较系统地研究了醇酸摩尔比，催化剂用量，反应时间诸因素对收率的影响，实验表明：TiSiW12O40/TiO4是合成己酸异戊酯的良好催化剂，在n(醇）：n(酸）＝1．6：1，催化剂用量为反应物总质量的1．5％，反应时间45min，使用环己烷为带水剂的适宜条件下，己酸异戊酯的收率可达91．9％。     

鱼翅中硫酸软骨素的酶解-高效液相色谱法测定

建立了一种测定鱼翅中硫酸软骨素的酶解－高效液相色谱方法；该法利用在一定条件下硫酸软骨素能被硫酸软骨素酶ABC定量酶解成软骨素二糖，通过高效液相色谱法测定软骨素二糖的量来计算硫酸软骨素的含量。     

八—4—(四氢糠氧基)双酞菁衍生物钕(Ⅲ)、铕(Ⅲ)的合成和LB膜的气敏性

八—４—（四氢糠氧基）双酞菁衍生物钕（Ⅲ）、铕（Ⅲ）的合成和ＬＢ膜的气敏性张引＊辛春梅王丹（吉林省教育学院化学系，长春１３００２２）梁冰洁＊＊陈文启席时权（中科院长春应用化学研究所，长春１３００２２）关键词：希土双酞菁衍生物ＬＢ膜气敏性荧光性紫外可见...     

对MDTA中测样品热容量的准恒温法的评述

对用调制差热分析（ＭＤＴＡ）准恒温法测样品热容量的情形进行了讨论。通过结合最基本的热传导定律和ＭＤＴＡ模型，指出了目前国际上测量样品热容量的准恒温法只能得到在所测温度范围内的物质热容量平均值，调制温度的幅度越大或调制频率越高，所得到的热容量数据越平滑。在所测温度范围内样品热容量基本不变时，用ＭＤＴＡ准恒温法较好；但当样品热容量在所测温度范围内有明显变化时，用传统差热分析法（ＤＴＡ）更好一些。     

人工光合作用反应中的研究进展

本文对几种人工光合作用反应中心系统,做一个简单的综述,其中包括叶绿素和细菌叶绿素二聚体,卟啉二聚体;卟啉-苯醌共价键络合物以及其他合成中心.     

C59H3N异构体的结构与稳定性的理论研究

分别用MNDO,AM1和PM3三种半经验方法对C59HN所有1-2,1-4和1-6氢加成物C59H3N的异构体进行几何构型全优化,结合频率分析及HF/6-31G单点能计算,确定了各异构体的基态结构及其相对稳定性,计算结果表明,C59HN氢加成物的立体选择性规律与C60和C60H2的不同,最稳定异构体不是1-2加成物,而是1-4加成的6,18-或12,15-异构体,次稳定异构体为1-2加成物,三种半经验方法计算得到的两者能量差为13～15kJ/mol,N原子取代碳笼骨架C原子后,改变了碳笼氢加成物的立体选择性规律.     

固体超强酸催化下的醛酮自身缩合及其溶剂效应的研究

研究了在三种固体超强酸催化下醛(酮)自身的羟醛缩合反应,系统考察了反应时间,催化剂用量等因素对反应的影响,优化了反应条件.同时,对该反应的溶剂效应进行了研究.结果表明,当催化剂用量为2 g/1 mol醛(酮),反应5 h,转化率可达40%,溶剂对该反应有明显的抑制作用.超强酸对各种醛都具有较好的催化活性,其催化醛类化合物自身缩合的转化率都在48%以上,选择性在95%以上,证明固体超强酸对该缩合反应有较好的催化活性和选择性.     

电子计算机在高聚物相分析中的应用

<正> 前言高聚物的物理化学性能与其组成和相态有密切的关系,因此在高聚物特别是高分子复合材料的生产和研究中经常需要进行组分和相态的分析。本文用电子计算机对高聚物的X射线衍射图谱进行分解,建立了一种定量分析高分子复合材料的相态和组成的方法,同时可得到结晶度和晶区宽度等超分子结构参数。     

C_(59)F_(2n)HN(n=1,2)异构体的结构与稳定性的理论研究

分别用MNDO和AM1两种半经验方法,对C59F2nHN (n = 1, 2) 的异构体进行几何构型全优化,结合频率分析及HF/6-31G单点能计算,确定了各异构体的基态结构及其相对稳定性。计算结果表明,C59HN的F加成物的立体选择性规律与C60的不同,最稳定异构体不是1-2加成物。C59F2HN的最稳定异构体是1-4加成的6, 18-或12, 15-异构体; C59F4HN的最稳定异构体是1-4,1-4加成的6, 18; 12, 15-异构体,其能量远小于其它各异构体的能量。N原子取代碳笼骨架C原子后,改变了碳笼F加成物的立体选择性规律。     

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。