排序方式: 共有100条查询结果,搜索用时 15 毫秒
81.
以乙二醛、硝基胍为原料,经两步环化反应合成了含能稠环化合物6-硝亚氨基咪唑烷并[4,5-e]呋咱并[3,4-b]哌嗪(化合物4),并优化了其合成条件,总收率52.2%(文献值29.4%)。以乙二醛、尿素为原料,经两步环化反应合成了稠环化合物5-硝亚氨基咪唑烷并[4,5-d]咪唑烷酮(化合物5)。以乙二醛和1,1-二氨基-2,2-二硝基乙烯(FOX-7)为原料,通过两步环化反应得到了一种新型含能稠环化合物6-偕二硝基乙烯基咪唑烷并[4,5-e]呋咱并[3,4-b]哌嗪化合物(化合物6)。用IR、NMR、MS和元素分析对3种稠环和中间体的结构进行了表征。基于化合物4、5、6设计了3种新型稠环硝胺化合物的结构。用Gaussian 98程序和VLW方程计算了3种稠环的理化性能和爆轰性能。结果表明,3种稠环硝胺化合物的计算密度分别为2.03、2.08、2.07g/cm3,理论爆速分别为9 928、9 672、10 109m/s。 相似文献
82.
83.
两种呋咱并[3,4-b]四唑并[1,2-d]吡嗪化合物的合成、晶体结构及热性能 总被引:2,自引:2,他引:0
以5,6-二氯呋咱并[3,4-b]吡嗪为原料,经叠氮化、胺化两步反应分别制得7-叠氮基呋咱并[3,4-b]四唑并[1,2-d]吡嗪(AzF TP)和7-氨基呋咱并[3,4-b]四唑并[1,2-d]吡嗪(AmF TP),并首次培养了AmF TP的单晶。X射线单晶衍射分析结果表明:AmF TP晶体属于正交晶系,P212121空间群,a=0.7117(18)nm,b=0.8088(2)nm,c=1.1871(8)nm,V=0.6833(3)nm3,Z=4,D-3c=1.732 g·cm,μ=0.138 mm-1,F(000)=360,R1=0.0376,wR2=0.0988;采用差示扫描量热(DSC)、热重(TG)分析考察了目标化合物的热性能,热分解峰温分别为149.9,186.0℃,表明AmF TP比AzF TP具有更好的热稳定性。 相似文献
84.
以硝基胍和甲醛为原料,经缩合反应、硝化反应、肼解反应和复分解反应,合成了3,5-二硝氨基-1,2,4-三唑铅盐,采用DSC和TG-DTG方法分析了其热性能,并测试了真空安定性、吸湿性、相容性、感度性能、5s爆发点、爆热、爆速等物化性质和爆轰性能。结果表明:3,5-二硝氨基-1,2,4-三唑铅盐的热稳定性、真空安定性以及耐吸湿性良好,与RDX、HMX、太安、特屈儿、铁、铝、铜等材料均相容,撞击感度和摩擦感度较叠氮化铅(LA)和斯蒂芬酸铅(LTNR)钝感,5s爆发点为226~228℃,爆热为2 236J·g~(-1),爆速为5 755 m·s~(-1),有望作为LA和LTNR的替代物使用。 相似文献
85.
当前,国有施工企业在计划经济体制下形成的管理水平低、劳动密集型、组织机构臃仲,人员结构差等特点,加上体制改革的深层次问题尚未得到根本解决,企业战略管理能力和控制管理能力缺乏的问题相继显现出来。为了能改变这种不利局面,适应市场、适应竞争,充分利用好现有的人力、物力资源,企业战略管理的研究就显得十分必要。 相似文献
86.
综述了国内外近10年来报道的4类26种综合性能优异的不敏感含能化合物的合成及性能(熔点、热分解温度、密度、生成焓、撞击感度、爆速和爆压等)研究进展,包括FOX-7、LLM-105等6种分子内氢键类不敏感含能化合物;TACOT、TNPCOT等3种分子内盐类不敏感含能化合物;MTNI、DAAF等4种氮杂芳环类不敏感含能化合物;HATO、FOX-12等13种含能离子盐类不敏感含能化合物。指出不敏感含能离子盐是一类具有广泛应用前景的不敏感含能化合物的种类。不敏感含能化合物的重点发展方向是加强分子结构与性能关系研究、应用基础性能研究以及发展便捷高效绿色的合成方法。附参考文献49篇。 相似文献
87.
88.
基于剪切的XML数据流自适应发布算法 总被引:1,自引:0,他引:1
XML数据流上的分片策略是基于剪切的XML数据流发布系统面临的首要问题.文中针对基于剪切的XML数据流中对XML片段解析和连接的操作代价,提出了基于Hole-Filler模型的XML数据流的基本代价模型,在此基础上提出数据流自适应发布算法AXF,以期在数据和查询动态变化的情况下自动调整XML数据分片策略以获得最佳的系统运行性能、自适应能力和扩展性.实验结果表明AXF算法可以提高XML片段的有效率,在客户端、服务器及网络传输方面均获得良好的性能. 相似文献
89.
将知识图谱作为辅助信息引入到推荐系统中,可以有效地增强推荐系统的学习能力,提高推荐系统的精准度和用户满意度。针对知识图谱上的偏好传播问题,提出一种基于知识图谱用户偏好传播的实体推荐模型,目的是在传播偏好的同时兼顾传播强度,提高推荐效果。通过提取不同特定属性的基本特征控制用户偏好在知识图谱上的传播强度,然后根据每个用户的历史偏好传播强度在知识图谱上迭代计算,得到用户—项目对的偏好传播模型,最终通过排序学习进行top ◢N◣推荐。最后,在三个不同类型数据集上的对比实验验证该模型算法的有效性。实验证明,在偏好传播的同时控制传播强度可以很好地提升推荐系统的准确率、召回率以及◢F◣▼1▽值,同时具有很强的灵活性和可解释性。 相似文献
90.