正辛醇改性负载钛催化体系聚合异戊二烯

以正辛醇改性TiCl4/MgCl2催化剂,将其用于异戊二烯聚合以期制得综合性能较为优异的3,4-聚异戊二烯／反式-1,4-聚异戊二烯(3,4-PIp／TPI)新型复合材料。当n(Al)／n(Ti)为10-20,催化剂和异戊二烯的摩尔比为1×10-4,聚合温度为60℃时,改性催化剂催化异戊二烯效率最高;改性催化剂(正辛醇和催化剂摩尔比为15)聚合所得聚异戊二烯中3,4-链节的质量分数达45．01％,聚合产物的熔点及结晶度均低于传统的TPI。     

正辛醇改性负载钛催化体系催化异戊二烯聚合的研究

以不同用量正辛醇改性负载钛催化体系(TiCl4/MgCl2)催化异戊二烯配位聚合,考察了催化剂用量、Al剂用量及反应温度对聚合的影响,通过1H-NMR法表征了聚合产物的微观结构,通过DSC表征了聚合产物的熔点及结晶度。结果表明:改性负载钛催化体系的催化效率随正辛醇用量的增大而降低,当聚合条件为n(Al)/n(Ti)=50,n(Ti)/n(Ip)=5×10-4,聚合温度60℃时,催化效率最高。聚合产物的相对分子质量随正辛醇用量的提高而增大、随主催化剂用量的提高而降低,Al剂用量及反应条件对聚合物相对分子质量的影响同对催化活性的影响基本一致。所得聚异戊二烯的3,4-结构质量分数为8.2%,反-1,4-结构质量分数为91.8%;聚合产物的熔点及结晶度均低于TPI。     

基于深度学习的混合兴趣点推荐算法

针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。

     

电子受体对富磷污泥重力浓缩过程中释磷的影响

利用富磷剩余污泥进行重力浓缩试验,分别以硝酸盐、亚硝酸盐、溶解氧作为电子受体,考察不同浓度的电子受体对厌氧浓缩过程中磷释放的影响。结果表明:当有硝酸盐存在时,剩余污泥几乎不释磷,当硝酸盐浓度达到60 mg/L时,对释磷具有明显的抑制作用;低浓度的亚硝酸盐对磷的释放也有一定的抑制作用,但是当亚硝酸盐浓度35 mg/L时,反而会促进磷酸盐的释放;控制曝气时间以保证一定的溶解氧量,随着曝气时间的延长,硝酸盐浓度不断增加,浓缩时污泥起始释磷时间推后,当曝气时间达到24 h时,对污泥释磷具有明显的抑制作用。     

一种融合情景和评论信息的位置社交网络兴趣点推荐模型

随着位置社交网络(location-based social network, LBSN)的快速增长,兴趣点(point-of-interest, POI)推荐已经成为一种帮助人们发现有趣位置的重要方式.现有的研究工作主要是利用用户签到的历史数据及其情景信息(如地理信息、社交关系)来提高推荐质量,而忽视了利用兴趣点相关的评论信息.但是,现实中用户在LBSN中只对少数兴趣点进行签到,使得用户签到历史数据及其情景信息极其稀疏,这对兴趣点推荐来说是一个巨大的挑战.为此,提出了一种新的兴趣点推荐模型,称为GeoSoRev模型.该模型在已有的基于矩阵分解的经典推荐模型的基础上,融合关于兴趣点的评论信息、用户社交关联和地理信息这3个因素进行兴趣点推荐.基于2个来自Foursquare的真实数据集的实验结果表明,与其他主流的兴趣点推荐模型相比,GeoSoRev模型在准确率和召回率等多项评价指标上都取得了显著的提高.     

醇改性负载钛系催化剂用于1,3-丁二烯的聚合

以不同种类不同用量的醇改性TiCl4／MgCl2催化丁二烯聚合。结果表明,与改性前催化剂合成的高结晶度硬塑料状反式聚丁二烯不同,改性催化剂制备的聚丁二烯为低结晶度的弹性体,其乙烯基质量分数已达到中乙烯基聚丁二烯的范畴,反式-1,4-结构质量分数仍高于50％,顺式-1,4-结构质量分数基本低于10％。随醇用量的增加,乙烯基质量分数可进一步提高。     

餐饮空间照明设计

随着时代的进步,人们在就餐的同时不仅要享受美食,与此同时也在追求一种生活的高品质。灯光是餐厅空间的重要因素之一,它可以影响消费者的就餐心理感受,从而直接影响到餐厅的经营情况。在餐饮空间照明设计中,设计师要精心于对光环境在整个空间设计中的把握,通过照明设计可以打造舒适的就餐氛围,从而使得整个餐厅的风格和主题能够协调合理。     

二亚胺镍与双(水杨醛亚胺)二氯化锆体系的链穿梭聚合

以α-二亚胺镍(Ⅱ)配合物(记作Cat A)与双(水杨醛亚胺)二氯化锆配合物(记作Cat B)为主催化剂,甲基铝氧烷(MAO)为助催化剂,二乙基锌为链穿梭剂催化乙烯均聚合,制备了乙烯嵌段聚合物。采用凝胶渗透色谱及差示扫描量热法对聚乙烯的相对分子质量及结晶性能进行表征。结果表明:以甲苯为溶剂,乙烯压力为1.0 MPa,n(MAO)∶n(Cat A+Cat B)为1 000,其中,n(Cat A)∶n(Cat B)为1时,可制备具有较高"软段"含量的乙烯嵌段聚合物。     

α-二亚胺镍配合物催化乙烯与烯丙基三甲氧基硅共聚合

以樟脑醌和苯胺合成了α-二亚胺镍配合物,采用核磁共振波谱、傅里叶变换红外光谱、X射线单晶衍射表征了配体及配合物的结构。结果表明:α-二亚胺镍配合物具有较高的乙烯聚合活性,以甲基铝氧烷为助催化剂,当反应温度为60 ℃时,催化乙烯均聚合活性高达11.26×10⁶ g/(mol·h);催化剂可高活性催化乙烯与烯丙基三甲氧基硅共聚合,活性可达2.49×10⁶ g/(mol·h),共聚单体含量可达2.73%(y)。     

基于全局采样的混合门控神经网络推荐模型

为缓解在数据稀疏情况下,推荐性能降低的问题,提出一个基于融合评分数据和文本数据的混合推荐模型。采用词级注意模块从项目内容描述和用户评分中学习项目的隐藏特征,使用一种门控神经网络对获得的隐藏特征进行更有效的特征融合,采用集成邻域注意力和自动编码器的学习框架对用户的偏好进行建模。采用基于新的全局采样策略优化相关损失函数,提供更加精准的推荐服务。实验结果表明,该推荐模型优于主流先进推荐模型。