难采油田不同区块储层物性特征及分类评价

 以柴达木盆地3个难采区块为例,针对其储层物性差、注水效果差、微观结构认识不深入等问题,应用恒速压汞、核磁共振及非线性渗流等室内实验技术,对研究区3个主力区块储层的物性特征及微观孔隙结构特征进行了系统研究。在低渗透油田储层分类系数评价方法的基础上,加入表征裂缝发育程度的的评价参数--脆性指数,形成了符合难采油田开发现状的六元分类系数评价方法。研究表明:难采油田储层整体属于典型的低孔、特低渗透储层,不同区块储层物性特征与孔喉特征参数的差异,均归因于储层微观孔隙结构的差异。开展柴达木盆地难采油田相对富集区块的开发潜力分析评价,其分类结果与油田实际开发生产效果相吻合。     

粉末活性炭吸附对超滤膜处理再生水膜污染状况的影响

利用粉末活性炭-超滤(PAC-UF)组合工艺处理污水厂二级出水中腐殖酸(humic acid,HA)溶液,主要考察在不同的PAC投加量工况下对膜通量的影响、膜污染阻力变化、Hermia经典过滤堵塞模型拟合和膜污染趋势分析情况。结果表明,PAC颗粒本身几乎不会影响膜通量的下降,处理腐殖酸类有机溶液的PAC最佳投加量为20 mg/L;腐殖酸导致的膜污染以不可逆膜污染为主,其与滤饼层污染模型的拟合度最好;将超滤阶段分为初期黏附阶段与后期黏聚阶段,初期阶段导致的膜通量下降更加剧烈,后期阶段形成的滤饼层有效的拦截有机物避免直接接触超滤膜。     

Von Neumann正则环的JGP-内射刻画

本文主要借助JGP-内射模（环）,给出半局部环的正则性和强正则性的一些等价刻画。     

S2O分子的基态和低激发态的离解及预离解

目的应用GAMESS[14]程序和新的多参考态组态相互作用(MRCISD)对S2O分子基态和与基态具有相同对称性及多重度的两个低激发态的离解进行研究。方法采用完全活性空间自洽场(CASSCF),沿着S-S伸缩振动坐标详细地解析基态X珘1A’和两个激发态C珘1A’和珟D1A’的离解以及C珘1A’预离解。结果采用不同的方法,珟D1A’态所获得的离解模式不同。对于非态平均的CASSCF方法,C珘1A’态与珟D1A’态的离解极限都为SO(1Δ)+S(1D)。对于态平均的完全活性空间自洽场(SA-CASSCF)方法,珟D1A’态离解极限与基态X珘1A’相同,均为SO(3Σ-)+S(3P),而C珘1A’态的离解极限为SO(1Δ)+S(1D)。X珘1A’态的离解能在MRCISD水平约为3.10 eV,比热化学值3.45±0.01 eV小0.35±0.01 eV。结论计算的C珘1A’态的预离解极限存在于S-S伸缩振动的26谱带附近,与实验值吻合得很好。     

丙酸盐引起麦白霉素生产菌株生长与代谢的改变

通过在培养基中添加一定质量浓度的丙酸盐,研究其对麦白霉素合成的影响。在发酵培养基中添加质量浓度为6×10-4g/mL的丙酸盐,不但能使麦白霉素的生物效价提高35.2%,而且能提高其组分中麦迪霉素A1的含量,但是添加丙酸盐对菌体的生长不利。发酵12 h添加丙酸盐,产物的合成受到相当大的抑制,且出现二次生长现象,最终菌浓比对照高出40%。发酵12 h添加丙酸盐对麦白霉素生产菌的影响可能是提高了生长代谢的通量,从而使代谢的产物合成通量降低。     

非电类专业电工学实验课程教学模式改革探讨

电工学是非电类相关专业的一门重要的专业基础课,是密切结合生产实际的技术性课程.本文对本科教学中非电类相关专业电工学实验课程的教学方式进行了研究,深入分析了该课程现行实验教学模式所存在的问题,并提出了相应的改进措施,以提高实践教学质量和学生的工程实践能力.     

改性苎麻/聚丙烯热塑性复合材料界面及结晶性能研究

以新型生物酶改性技术对苎麻进行改性处理,与热塑性树脂基体聚丙烯复合制成改性苎麻/聚丙烯热塑性复合材料,分析研究改性苎麻与聚丙烯基体的界面浸润性能、苎麻体积含量、冷却方式等不同成型条件对苎麻/聚丙烯结晶性能的影响.     

阿维菌素发酵过程参数相关特性研究及过程优化

微生物发酵是一个复杂的生物过程,通过对阿维菌素发酵过程中反映菌体代谢的在线参数,如OUR、CER、RQ、DO、pH以及离线参数的相关性分析,根据分析结果对发酵过程工艺进行优化,提出在发酵后期根据RQ确定碳源补加时机、根据过程pH确定碳源补加速率,使阿维菌素的发酵单位从国内平均水平3.8 g/L提高到了5.05 g/L。     

高光谱遥感波段选择的非线性投影寻踪方法

针对高光谱遥感波段选择问题，提出了一种非线性投影寻踪指标，构造了投影寻踪迭代算法．对植被高光谱遥感图像的实验分析表明，该方法所选出的三个特征波段基本上相当于三个主成分方向所包含的信息量，特别是提高了易混类别的分类精度．     

基于深度神经网络的空气质量预测系统

提出了使用深度栈式自编码模型进行空气质量预测.选择了PM2. 5、PM10等污染物数据作为样本.本模型基于Java平台构建,进行了训练和参数调整,建立了最优的空气预测模型.根据北京市的实验结果表明,该模型具有良好的精度.与支持向量回归(SVR)模型和线性回归模型相比,本文提出的模型具有优越的性能.