施肥对蕹菜硝态氮累积和土壤酶活性的影响

为了研究施肥方式对蕹菜硝态氮累积和土壤酶活性的影响, 在上海郊区一蔬菜园艺场设置了6个施肥处理: 不施肥对照; 施用复合化肥量分别为900, 1 800和2 700 kg/ha; 施用菜籽饼肥量分别为2 250, 4 500 kg/ha, 并定期监测蕹菜硝态氮含量的变化和土壤酶活性的差异. 结果表明: 复合化肥的施肥量越多, 蕹菜硝态氮的累积量就越高, 且肥料施用量与蔬菜硝酸盐含量呈极显著正相关(p<0.01); 在蕹菜的整个生长周期内, 植株的硝态氮含量先上升, 至21 d左右达到最大值, 然后迅速减少, 至54 d 后趋于平稳, 且在可食用范围内; 不同施肥处理的蕹菜在生长后期, 其土壤脱氢酶、过氧化氢酶、脲酶和酸性磷酸酶的活性均显著高于施肥前的背景土壤, 说明蕹菜生长有利于增加土壤酶活性. 施菜籽饼肥的土壤酶活性显著高于施复合化肥, 说明增施有机肥可提高土壤酶活性.     

面向对象的舰载指控原型系统设计

现在研制与开发舰载指控系统最为突出的一个问题是,缺乏对C3I系统作战需求体系结构的建立,首先分析了舰载作战指控系统的OODA原型模型。并利用面向对象的统一建模语言(UML)对其进行了设计,对支持舰载作战行动所需要的作战要素、所分配的各种任务和信息流进行了面向对象的规范描述．原型系统中对战场信息流在作战要素间的产生、传递、交换和转换过程进行了描述,本文为舰载作战指控系统的作战需求体系结构的研究提供了基础性的可行性研究。     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

浅谈英语阅读教学

从词汇、句法及篇章三个方面系统论述英语阅读教学中所存在的文化差异,着力提出一套具有指导意义的文化导入原则,讨论了应用常用的文化导入方法,来排除文化障碍,提高学生的阅读理解能力。     

监理工程师如何做好施工阶段的监理工作

本文介绍了水利工程项目施工阶段开展监理工作的重要性。着重阐述了监理工程师在水利工程项目施工阶段进行投资控制、进度控制、质量控制三大方面监理工作时应遵循的方法措施,并结合自己近几年来时监理工作的认真思考与探索,提出一些自己的实践经验体会,为监理工程师从事监理工作提供一些参考。     

我国主要产能省份经济与环境协调发展分析

以社会经济、能源生产、生态环境为主要分层指标,利用TOPSIS和信息熵相结合的方法,应用于能源产出选取的10个省份进行定量分析及排序,并对系统协调性进行评价,进一步结合省份自身因素提出相关分析结论和政策建议,为协调发展提供依据．     

混凝沉淀-泡沫分离-吸附工艺处理马铃薯淀粉废水的实验研究

采用实验室模拟方法和混凝沉淀-泡沫分离-吸附工艺,进行了马铃薯淀粉废水的实验研究, 考察了水质pH、絮凝剂用量、搅拌速率及时间、沉降时间、泡沫分离条件和吸附时间对COD去除率的影响. 结果表明, 采用该法处理后淀粉废水的总COD去除率达到80.1%, 方法操作简单, 处理效果较好.     

有向无标度网络灾害扩散动力学行为研究

分析了有向网络上灾害扩散的动态模型,将模型演化的最终形态分为系统稳定、波动与崩溃3种情形.以节点的修复率作为衡量灾害扩散程度的量化指标.探讨了在指数可调的有向无标度网络上,灾害随时间的扩散情况以及自修复因子和节点阈值对灾害扩散的影响.仿真结果表明.自修复因子存在2个临界值.对应着系统的3种状态之间的转换.随着无标度网络幂律指数的增大.灾害扩散程度降低.最后,利用网络节点的集线中心权重指标建立了灾害预防与控制策略.     

ITER中的离散阿尔芬本征模

本文主要研究了ITER稳态运行时的离散阿尔芬本征模的稳定特性。这些磁流体力学本征模是α引起的气球模驱动势阱中的束缚态。其中,α=-q2Rdβ/dr,q是安全因子,β是等离子压强和磁场压强的比值,R和r分别是环形等离子体的大半径和小半径。这些阿尔芬本征模很容易被高能量粒子激发而演变成不稳定模式而影响环形等离子体的约束性能。     

机器学习在油气行业中的应用进展综述

近年来,随着深度学习的兴起,机器学习在油气领域得到了进一步深入发展。但是,由于油气行业的特殊性和复杂性,目前还没有建成适用于深度学习的训练样本库,也没有针对性的模型建立和选择方法体系。此外,深度学习方法的不可解释性,导致了学习的模型对环境的高度依赖,制约了机器学习在油气行业中的推广应用。从机器学习的发展阶段出发,介绍机器学习在油气行业各领域的应用中所涉及的重大突破及仍然存在的问题。针对油气行业中不同类型数据的处理方法、样本建立以及如何进行模型适应性分析等方面给出了建议,提出可解释机器学习在油气人工智能上的发展潜力以及研究方向。