不同类型壁面稠油-水体系润湿规律实验与分子动力学模拟

稠油油藏在注蒸汽开发后期阶段,由于稠油、外来流体与岩石壁面间复杂的物化反应,使得壁面润湿性呈现较强的非均匀特征。本文以稠油室内润湿性实验为基础,利用分子动力学模拟手段,对高温高压环境下稠油在不同类型壁面上的润湿行为进行了研究,从而在分子层面揭示了稠油流体在固体表面的微观润湿机理,结果显示分子动力学模拟获得的稠油接触角变化规律与实验结果一致,反映了模拟结果符合岩石矿物表面的真实润湿特征。在此基础上,开展了不同类型壁面的模拟研究,发现壁面亲油基团的活性和数量是影响稠油润湿规律的关键。亲油的甲基基团具有短作用距离、强温敏特征,使得稠油在高甲基占比壁面和高温环境中呈现较大接触角,并造成稠油组分纵向分布差异。受温敏甲基影响,稠油胶质、沥青质重质族组分对稠油-壁面相互作用能的贡献在不同温度环境中表现不同：低温下稠油-壁面相互作用能以沥青质、胶质重质族组分作用为主,高温条件下芳烃等中质族组分对稠油在壁面上润湿具有重要贡献。分子动力学模拟结果有力地补充了实验数据,从微观层面揭示了稠油在不同类型壁面上的润湿机理,并为注汽开发后期的砂岩稠油油藏剩余油动用提供理论指导。     

河南省水土保持综合治理与效益评价系统设计

文章以水土保持综合治理工程为基本管理单元,从系统总体设计、功能设计和业务流程设计等方面,详细阐述了水土保持综合治理与效益评价系统在水土保持综合治理工程实施、工程管理以及效益评价等业务中的功能作用,以期全面提升水土保持信息化工作水平.     

黏质沙雷菌非特异性核酸内切酶通用型定量检测方法的建立及验证

目的 建立黏质沙雷菌(Serratia marcescens)Benzonase^?核酸内切酶(Serratia marcescens Benzonase^? endonuclease,SMBE)通用型定量检测方法,并进行验证。方法 以突变体SMBE(第110位组氨酸突变为丙氨酸)基因BEHA为模板,PCR法扩增BEHA基因,插入至载体pET-20b(+)中,构建重组表达质粒pET-20b(+)-BEHA,经菌落PCR和测序鉴定。重组表达质粒转化E. coli BL21(DE3)pLysS,IPTG诱导表达后进行一步Ni-NTA琼脂糖纯化树脂纯化,纯化产物经15%SDS-PAGE和分光光度计分析,并检测酶活性。用纯化BEHA免疫家兔,以获得的多克隆抗体作为包被抗体,标记HRP的多克隆抗体作为检测抗体,建立SMBE的双抗体夹心ELISA检测法。验证方法的线性范围、准确度、精密性,并确定定量限。采用建立的方法及市售试剂盒分别检测3个厂家生产的SMBE。结果 菌落PCR和测序鉴定证明,重组表达质粒pET-20b(+)-BEHA构建正确,第110位氨基酸...     

TrypLE双抗体夹心定量ELISA检测方法的建立及验证

目的 建立TrypLE双抗体夹心定量ELISA检测方法，并进行验证。方法 采用正交试验确定捕获抗体、检测抗体最佳浓度，建立TrypLE双抗体夹心定量ELISA检测方法，并对方法进行线性范围、特异性、检测限、定量限、准确性、重复性验证；采用建立的方法检测多种生物制品，验证方法的适用性。结果 选定捕获抗体用3μg/mL浓度包板，检测抗体稀释15 000倍建立TrypLE双抗体夹心定量ELISA检测方法。该方法线性范围为0.41～40.00 ng/mL，检测限为0.258 ng/mL，定量限为0.5 ng/mL；检测标准品、样品时，测量偏差小于5%；重复性验证CV<5%；不同类型样品加标回收率在80%～120%之间。结论 建立的TrypLE双抗体夹心定量ELISA检测方法特异性、准确性、重复性良好，可准确、有效、快捷地检测各种类型生物制品中TrypLE的残留量。     

基于加权广义匹配滤波联合SVDD的FOD检测算法

利用毫米波雷达进行机场跑道异物(FOD)检测是当前民航安全领域的一种流行解决方案。由于非均匀杂波的存在，传统基于恒虚警率的检测方法存在虚警率过高、检测性能较差的问题。文中提出一种加权广义匹配滤波(WGMF)联合支撑向量数据描述(SVDD)的FOD检测方法。首先，利用WGMF对雷达记录的FOD回波数据进行预处理，实现杂波抑制的同时降低虚警概率；然后，对回波数据提取双谱特征，实现数据由原始回波域向差异性更大的特征域的转变；最后，利用SVDD一类分类器实现FOD检测。在某机场跑道真实场景开展验证实验，结果表明所提方法能够有效降低虚警概率，提升检测性能。     

利用深度迁移学习靶向GPCRs的配体活性预测

G蛋白偶联受体(GPCRs)是最重要的药物靶标之一，约占市场上药物靶标的34%。药物发现过程中，配体生物活性的准确建模和解释对于筛选苗头化合物至关重要。研究表明，同源的G蛋白偶联受体能提升配体分子生物活性的预测性能和可解释性。提出了一种新的方法 GLEM，用多任务下的深度迁移学习来预测配体的生物活性，并通过组稀疏来识别相关的关键子结构。GLEM方法在9组30个具有代表性的人类GPCR数据集上进行了实验，这些GPCRs涵盖了大部分人类GPCRs的子家族，每个GPCR数据集都包含60～3 000个配体。实验结果表明，GLEM方法在绝大多数数据集中都获得了最好的性能。与单任务学习方法相比，GLEM方法在r²上平均提升了31.72%；与深度学习方法相比，GLEM方法在r²上平均提升了22.45%。此外，还评估了不同数量的训练样本对模型性能的影响，实验发现GLEM方法在小样本情况下表现最好。