葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

采用理論分析、數值模擬、相似模擬和現場實測等多種綜合研究方法，對分岔合并煤層上覆煤層采動后破碎頂板條件下 72 煤安全高效開采綜合技術進行系統研究。分析工作面的地質條件，測試工作面煤巖力學參數，掌握工作面煤巖力學特性；分析 71 煤開采對底板破壞影響規律，為工作面超前預注漿加固范圍提供依據；針對破碎頂板的特點，分析兩柱式和四柱式支架對破碎頂板的適應性，改變淮北礦區傳統的破碎頂板采用兩柱式支架選型原則，提出適合工作面破碎頂板條件的四柱支撐掩護式支架；確定注漿方案，選取注漿材料，實驗優化注漿漿液配比，設計漿液擴散半徑，布置注漿孔；現場實測破碎頂板條件下工作面礦壓顯現及圍巖運移特征，為有效的破碎頂板控制技術及頂板管理提供依據。 1）針對試驗工作面復雜難采條件，研究提出了采用適應難采條件的四柱支撐掩護式支架結構，并合理設計了支架參數，改變了淮北礦區傳統的破碎頂板采用兩柱式支架選型原則，為淮北礦區破碎頂板的管理提供了全新途徑。 2）研制了具有初撐力高、頂梁整體剛性強，前部支護強度大，密封性好、較大的面向煤壁的水平力、帶壓移架、底座采用半封底形式，抬架力高、液壓系統流量大等特點的 ZZ7600/20/40 新型液壓支架，解決了復雜難采煤層工作面易出現煤壁片幫、超前冒頂和支架扎底等難題，保證了工作面安全高效回采。 3）與國內外同類研究相比，創新提出“更換鉆頭”與“跟管鉆進”埋設注漿套管的新方法，研發了經濟可行的破碎頂板注漿加固補強技術，有效控制了頂板冒落，為工作面安全順利回采創造了良好條件，降低了注漿成本，解決了破碎頂板鉆孔、埋設注漿套管難的問題。

清華大學王保國教授團隊從事膜分離和電化學工程的交叉領域科學研究，迄今已有近 20 年時間。他們從降低能耗角度出發，提出了“一體化”膜電極的概念，其核心是通過在多孔膜中，電催化劑原位取向生長策略，降低電子/氣體/離子的傳遞阻力，從而提高電解水產氫速率。

本發明公開了一種萘磺酰胺類化合物及其制備方法與在調節植物生長活性中的應用。本發明提供的萘磺酰胺類化合物，其結構通式如式Ⅰ所示。本發明提供的式I所示萘磺酰胺類化合物，結構簡單，具有優良的植物生長調節活性，制備方法簡單可行，利于大規模生產。

在完成產品小試驗證后，利用小試產品進行了小面積的固沙試驗和實驗室沙模的抗壓和抗剪切試驗。結果表明AA和AM的共聚物固沙效果要優于PAA的均聚物。而且當分子量大于1500萬時，分子量對沙模抗剪切和抗壓強度的影響不顯著，而固沙劑溶液的粘度隨聚合物分子量的增加而顯著增加。在滿足固沙性能要求的前提下，確定以單體聚合濃度為7%進行產品工業生產試驗，工業生產試驗考核了連續三批次，共生產六噸產品。 技術指標：聚合反應的工藝流程為配料（按配方將單體、引發劑和溶劑混合）、充氮脫氣30分鐘、加料（將反應液加入到各個反應器中）和聚合。實際聚合中的液層厚度約為250mm,。工業試驗生產線的轉化率大于98.5%，與小試設備的結果相似。應用范圍：甘肅治沙研究所民勤治沙站實驗林的梭梭面臨著退化的危險，造成梭梭林退化的主要原因有兩個，一是梭梭根部的沙粒由于長期的移動，使得梭梭較發達的根系逐漸裸露出來，失去支撐作用，在較大的風沙作用下容易被吹得連根拔起，；二是大量裸露在外的根部失去了吸取水分的功能，所以保護梭梭的根部和盡可能地提供水分是挽救退化梭梭的有效途徑。鑒于這種情況，將多功能保水劑，固沙劑和疏水劑組合起來，在梭梭周圍做成一個雨水集流面，一方面保護梭梭根部，一方面集流沙漠里少量的雨水，減少地下水的蒸發，創造梭梭生長所需的條件。

為了解決納米 TiO2 作為處理工業污染廢水的首選催化劑光催化效率不高，且必須采用波長小于 387 nm 的紫外光照射的問題，本發明提供一種將上轉換紫外發光材料 Er3+:Y3Al5O12 與 TiO2 復合，提高光催化效率的 Er3+:Y3Al5O12/TiO2 復合膜。并將 Er3+:Y3Al5O12/TiO2 復合膜應用在催化降解有機染料中。 r3+:Y3Al5O12/TiO2 復合膜用于在可見光照射下催化降解有機染料。

MoTe2是由MoTe6八面體結構單元構成的原子層沿c方向堆疊形成的二維材料系統，不同的堆疊方式具有不同晶體對稱性。1T-MoTe2在室溫時是單斜的1T’相，隨著溫度降低在250K時發生結構相變，轉變成正交的T_d相，其中可以存在第二類外爾費米子。王楠林課題組通過實驗發現高強度的近紅外激光脈沖可以在亞皮秒時間尺度內將中心反演對稱性破缺的T_d相驅動到具有中心反演對稱的1T’相。該相變發生的最明顯的特征是時間分辨的反射率變化中橫向剪切振蕩聲子的消失和二次諧波強度的急劇下降。通過選擇和改變激發脈沖的脈寬和波長，從實驗上排除了激光加熱效應。該項研究首次在超快亞皮秒尺度內實現了激光誘導的非加熱效應引起的MoTe2晶體中第二類Weyl半金屬相與正常半金屬相的超快結構相變。它為超快激光控制固體的拓撲特性開辟了新的可能性，使超快激光激發的拓撲開關器件具有潛在的實際應用價值。 該工作于2019年5月22日在線發表于著名學術期刊Physical Review X（Phys. Rev. X 9, 021036 (2019)），第一作者為量子材料中心博士生張夢瑤，王楠林教授和其研究組的董濤博士是通訊作者，量子材料科學中心王健教授研究組為該工作提供了樣品。該項研究得到國家自然科學基金委員會、國家重點研究開發項目等項目的支持。Figure: Pump induced SHG time traces of MoTe2 at selected fluences at T=10 K. The graph shows that as the laser fluence increases, the signal of the second harmonic of the sample drops significantly. The inset is a time-resolved schematic diagram of second harmonic detection

腫瘤細胞異質性是腫瘤異質性的重要成因之一，可導致腫瘤在增殖能力、侵襲能力和藥物敏感性等方面產生重要差異，影響腫瘤的診斷與治療，最終影響患者身體健康與生命安全。因此，腫瘤細胞異質性研究對于腫瘤的診斷和個體化治療具有重要意義。而進行腫瘤細胞亞群分離分析是研究腫瘤細胞異質性的重要基礎。現有的基于電泳、場流或熒光激活式分離原理的進行腫瘤細胞分離分析的策略存在著特異性差、操作繁瑣或需樣本量大等弊端。基于課題組在磁性梯度分離細菌、腫瘤標志物、蛋白分析等方面前期工作（Analytical Chemistry 2018, 90, 9621-9628；Analytical Chemistry 2014, 86, 9434-9442；Chemistry-A European Journal 2014, 20,14642-14649），該研究以細胞表面標志物Her2表達量差異化的三種乳腺癌細胞(BT474、MDA-MB-453和MDA-MB-231)為研究模型，通過熒光-磁性靶向仿生探針與其識別后形成不同磁性梯度，在恒定外磁場作用下，可分別在90 s、120 s和180 s時間內快速逐一梯度分離出三種不同乳腺癌細胞亞型，并基于探針的熒光信號對腫瘤細胞亞群進行了初步鑒定。該研究報道的基于磁性梯度響應的腫瘤細胞亞群分離分析策略具有簡單、快速、準確等特點，為血液樣本中異質性腫瘤細胞亞群的近同時分離與分析提供新思路，在腫瘤早期診斷、評估和預后方面具有重要的潛在應用前景。

我校理學院大數據研究團隊在人工智能與大數據處理技術研究方面取得系列進展，研究成果分別發表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能頂級期刊。神經網絡是人工智能領域中目前最為火熱的研究方向——深度學習的架構基礎。雖然深度學習在近幾年發展迅速，但是關于如何設計最優神經網絡架構的問題仍處于探索階段。該團隊分別針對人工智能中神經網絡結構復雜、高維大規模數據存在無效和冗余特征、難以獲取長時序信息等問題與缺陷，設計出了一系列網絡結構優化、大數據特征選擇和時序循環神經網絡模型，有效改善了上述不足，提高了人工智能模型的學習性能。 題目為《帶Group Lasso懲罰與控制冗余的神經網絡特征選擇》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究論文發表在人工智能領域權威國際期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生張華清為該論文共同第一作者， 我校榮譽教授Nikhil R. Pal院士（印度統計研究所）參與指導，中國石油大學（華東）為第一署名單位。該項工作得到國家自然科學基金、國家科技重大專項、山東自然科學基金、中央高校基本科研業務費、中國石油天然氣集團公司重大科技項目以及山東省高校青年創新科技支撐計劃的資助。 特征選擇技術也稱屬性選擇，是指從原始特征或屬性中選擇出最有效的特征或屬性以降低數據維度的過程，它是人工智能數據預處理環節的重要步驟，也是大數據處理技術的重要環節。該項工作在神經網絡中嵌入Group Lasso懲罰項并實現特征冗余控制，在選出對解決問題最有幫助、蘊含信息量最大的特征或屬性的同時，控制所選特征子集的冗余程度，以達到降維的最優效果，從而使模型的泛化能力更強，降低神經網絡模型產生過擬合的風險。 題目為《基于L1正則化的神經網絡結構優化模型設計與分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究論文發表在國際人工智能領域權威期刊IEEE Transactions on Cybernetics。碩士生謝雪濤和博士生張華清為論文共同第一作者，王健副教授為通訊作者，我校榮譽教授Nikhil R. Pal院士（印度統計研究所）參與指導，中國石油大學（華東）為第一署名單位。該項研究成果得到了國家自然科學基金、山東省自然科學基金和中央高校基本科研業務費的資助。 該項工作借助L1正則子具有的稀疏表達能力，提出兩種神經網絡結構優化學習模型；本項工作另外一個突出貢獻就是提出了一種簡單且具有通用性的收斂性證明方法，同時保證了模型設計的合理性。實驗結果表明所提出模型具有強大的魯棒性、廣泛的適用性、理想的剪枝能力和良好的泛化能力，適用處理高維大數據。該研究成果在人工智能與深度學習構造最簡網絡結構方面具有很強的指導作用和應用推廣價值。