新一轮石油危机下中国石油石化企业所处环境

通过比较反映石油经济的主要指标．分析我国石油天然气资源和石化企业状况．为中国石油石化企业找出有利因素．了解自身缺陷．合理回避风险．找寻发展方向。中国石油石化企业应在不违背国家总体油气发展战略的基础上．通过引进竞争机制．实施科学管理．增强竞争实力．加强科技创新步伐．努力营造具有国际竞争力的石油石化企业。     

实行责任成本管理大力挖潜增效益

1995年是武钢公司的“成本年”,冷轧厂 在面临产量高、可供生产原料不足,机物料指标已趋极限,要求成本降低幅度大,设备改造时间紧、任务重、难度大的情况下,抓住“成本、效益”这个企业的“牛鼻子”,充分调动广大职工主人翁当家理财的积极性,实行责任成本管理,克服了重重困难,胜利实现生产经营目标。     

预应力砼箱梁裂纹施工控制

1.工程概况 我单位承建的海浪河特大桥桥长665m,上部构造为19—35m先简支后连续预应力钢筋混凝土箱梁。 2.预应力箱梁裂纹情况介绍 箱梁裂纹主要出现在顶板、腹板及锚下位置,底板和箱内在箱梁预制过程很少出现裂纹。裂纹在不同位置产生的时间及形状是不同的,有一些裂纹有一定的方向性,但大部分无方向性。现就裂纹出现的主要部位进行分类分析。(裂纹形状及部位示意如图—1)     

HPLC-ELSD法同时测定心源素胶囊中四种皂苷的含量及其在质量控制中的应用

目的:建立心源素胶囊的定性定量方法。方法:采用薄层色谱法对西洋参和五味子进行定性鉴别,用HPLC-ELSD测定心源素中有效成分三七皂苷R1和人参皂苷Rg1、Re、Rb1的含量;色谱条件:Discovery C18色谱柱,乙腈(10%水)-0.1%冰醋酸水溶液,梯度洗脱,流速1.0mL/min,柱温30℃;漂移管温度105.6℃,载气流速3.0L/min。结果:在薄层色谱鉴别中能准确鉴定出心源素中的五味子和西洋参;三七皂苷R1和人参皂苷Rg1、Re、Rb1的线性范围分别为715～35.75μg/mL、1500～75μg/mL、1514～75.7μg/mL、2928～146.4μg/mL,平均回收率分别为88.53%(RSD=2.68%)、100.61%(RSD=1.95%)、100.01%(RSD=2.03%)、100.28%(RSD=2.40%)。结论:该方法可作为心源素胶囊的质量控制方法。     

超细矿粉及尾矿砂在聚合物防水砂浆中的应用研究

介绍了聚合物水泥防水砂浆性能特点及主要原材料,研究了不同聚灰比对防水砂浆压折比的影响;超细矿物粉与可分散胶粉的协同作用以提高砂浆抗渗性、耐久性及黏结性能的机理;级配砂与纤维对防水砂浆抗裂性及收缩率的影响。     

电子式互感器采集单元关键技术研究

电子式互感器采集单元用来对传感头输出信号进行调理、积分、采样输出等,其具体实现方式决定了互感器整体的精度、暂态响应及可靠性。笔者分别就模拟输出型、数字输出型采集单元如何克服温漂、电源监视、提高采样精度、实现传感头互换、双电源热备等关键技术点等进行阐述,并讨论了数字积分对谐波及暂态的影响。两年多的现场实践证明,这些措施使产品有效发挥了性能、成本上的优势。     

基于带多数类权重的少数类过采样技术和随机森林的信用评估方法

针对信用评估中最为常见的不均衡数据集问题以及单个分类器在不平衡数据上分类效果有限的问题，提出了一种基于带多数类权重的少数类过采样技术和随机森林（MWMOTE-RF）结合的信用评估方法。首先，在数据预处理过程中利用MWMOTE技术增加少数类别样本的样本数；然后，在预处理后的较平衡的新数据集上利用监督式机器学习算法中的随机森林算法对数据进行分类预测。使用受测者工作特征曲线下面积（AUC）作为分类评价指标，在UCI机器学习数据库中的德国信用卡数据集和某公司的汽车违约贷款数据集上的仿真实验表明，在相同数据集上，MWMOTE-RF方法与随机森林方法和朴素贝叶斯方法相比，AUC值分别提高了18%和20%。与此同时，随机森林方法分别与合成少数类过采样技术（SMOTE）方法和自适应综合过采样（ADASYN）方法结合，MWMOTE-RF方法与它们相比，AUC值分别提高了1.47%和2.34%，从而验证了所提方法的有效性及其对分类器性能的优化。     

玻璃棉板外保温系统在既有建筑节能改造中的应用

介绍玻璃棉板外保温系统材料组成、系统构造及施工工艺,并对玻璃棉板及其系统的性能指标进行研究和测试。该系统通过在北京西城区既有建筑节能改造中的应用示范,取得良好效果,证明玻璃棉板外墙保温技术是一项新的建筑防火保温技术,具有良好的市场前景。     

基于联合概率的多标签分类算法

针对多标签k邻域(ML-kNN)算法忽略了多个标签间可能存在的相关性的问题,提出了一种基于联合概率的RML-kNN多标签分类算法。首先,在样本空间遍历求得每个标签的先验概率;其次,根据样本k邻域内某个标签的概率分布计算在该标签取值的条件下样本k邻域内有m个该标签出现的条件概率;然后,提出使用多个标签在k邻域的联合概率分布作为多标签分类模型的方法,并在样本空间进行计算;最后,以最大化后验概率的方法推导出RML-kNN多标签分类模型。理论分析和实验论证表明,在SubSet Accuracy上最高达到0.9612,相比ML-kNN最多有2.25%的提升;在Hamming Loss上比RM-kNN有明显降低,最低达到0.0022;在Micro-FMeasure上最高可达到0.9767,相比ML-kNN最高可有2.88%的提升。实验结果表明,RML-kNN充分考虑了标签间相关性,分类效果优于ML-kNN算法。