水力机械切割工艺在青海油田的应用

在油水井生产过程中,由于出砂、套管变形、小件落物等各种因素,使生产管柱卡在井内无法起出,造成油水井大修。为缩短修井周期,尽快恢复生产,我们采用连续油管带机械割刀,下入油管或钻杆内,实施水力切割。将卡点以上的管柱割断后起出,然后对剩余管柱进行解卡打捞。针对水力机械切割的特点和应用情况,制定出符合实际的施工工艺流程和施工参数,便于大修施工。     

学生工作信息化建设的现状与对策

近年来,信息化管理系统的初步形成,很大程度上推动了高校学生工作的发展,但整体而言,学生工作信息化总体水平仍然较低,需要各高校进一步明确学生工作信息化建设的意义,并从统一领导、平台规划、网站设计、工作模式、队伍培训等方面进一步推进高校学生工作信息化建设.     

线阵CCD对条形码的测量与识别实验

本实验主要目的是认识条码扫描仪的基本原理;如何用线阵CCD数据采集系统采集条形码的信息和怎样将条形码所载荷的信息检测出来;同时学习线阵CCD在收银机商品流通与库管等方面的应用。     

浅谈如何提高电子技术的课堂教学效果

电子技术课程是中等职业学校电子技术应用专业的一门专业基础课程,是各涉电类课程的核心基础课程,在工科专业的课程体系中占有十分重要的地位,因此电子技术课程教学效果的优劣对该专业学生能力的培养起着决定性作用。教学内容、教学手段及考试方式的改革有助于课堂教学效果的提高。课堂教学效果的提高是个老生常谈的话题,要求我们不断研究,不断学习新的知识,新的教学理念,做到与时俱进,使课堂教学吸引学生。     

精确罚函数若干性质及算法

针对含约束的非线性规划问题,已有文献提出一些精确罚函数,这些精确罚函数能使用许多行之有效的解析方法,而且在一定条件下具有精确性和光滑性。本文在已有文献的基础上讨论了一种精确罚函数的若干性质,分析了该罚函数的罚参数与原问题最优解以及罚问题最优解之间的关系,还针对这种精确罚函数的形式设计了算法,并通过具体算例验证了可行性和有效性。     

崂山林场不同密度赤松林的生长差异研究

研究了崂山林场不同密度下赤松人工林的生长差异性以及胸径与冠幅的相关性。不同密度下赤松人工林径阶分布呈现先增后减的趋势,随着林分密度的增大,胸径生长量显著减少,径阶比例减少;赤松人工林的平均树高、枝下高以及冠幅均呈上升趋势。在不同密度的赤松林分之间,树高生长差异不显著,枝下高差异显著,胸径差异极显著。赤松人工林的冠幅随着林分密度的增加而逐渐减少,但冠幅的椭球体积与之相反;通过分析得到二次多项式方程作为赤松人工林胸径与冠幅的最优关系模型,并求出方程关系式,为林业生产提供依据。     

基于专利的生物医药产业SWOT分析 ——以福建为例

生物医药作为战略性新兴产业是国家重点培育的新经济增长点,也是竞争激烈的技术和产业高地。基于专利数据库,在SWOT结构化分析框架下,以福建为例,探讨生物医药发展中的优势、劣势、机遇与威胁。研究表明福建省近年来生物医药研发实力不断增强,产业聚集效应初步显现,但生物医药专利在高新技术领域的占比仍较低。与国内生物医药研发重镇相比,福建省生物医药研发仍相对落后。一批生物医药"专利悬崖期"的到来,为福建省生物医药产业发展提供了重要机遇,但也存在侵权与恶性竞争等风险。在生物医药产业发展中,福建省应推动形成以企业为创新主体的研发格局,加快建设以研发创新为驱动的生物医药园区,并通过研发外包加强国际合作,提高研发水平。     

基于解释结构模型的云南花卉产业升级研究

通过文献研究及专家访谈,筛选影响云南花卉产业升级的10个因素,将其纳入解释结构模型系统,得到云南花卉产业升级的根源为智能温室建设、政府投入;直接影响要素为宣传力度、互联网销售、信息服务体系建设、知识产权保护意识。采用MICMAC分析方法进行因素集群划分,得到智能温室建设、政府投入处于系统的独立要素集群,进一步验证这两个因素为云南花卉产业升级的关键影响要素。     

基于ACM-ICPC竞赛的C语言课程教学实践

结合C语言的特点,依托ACM-ICPC竞赛,在C语言课程中进行采用案例驱动、分层次教学。实践证明,该教学措施激发了学生学习C语言的兴趣,强化了学生的编程能力和竞赛能力,取得了良好的教学效果。     

基于PSO-SVM的光伏阵列故障检测与分类

光伏阵列故障的精确检测是提高光伏电站运行可靠性和安全性的重要因素之一。本文提出了粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine, PSO-SVM)的光伏阵列故障检测与分类的方法。分析了光伏阵列输出特性和故障类型,选择合适的特征向量及归一化方式。选用径向基核函数优化模型结构,并利用PSO算法对参数进行寻优,提高模型精确度。结合实验平台,获取光伏阵列正常工作和8种故障状态的实测数据,随机划分为训练集和测试集,并建立PSO-SVM故障检测与分类模型。实验表明应用本文模型进行故障检测准确率达99.89%,分类准确率达98.68%,优于BP (Back Propagation)神经网络以及决策树的检测和分类结果。