电化学沉积Cu-In-Se薄膜

采用电化学沉积方法在钼箔上制备Cu-Se、In-Se和Cu-In-Se薄膜,对电沉积的工艺参数进行了测试,发现Cu-In-Se是一种诱导共沉积,虽然沉积膜不具备化学计量比,但具有一定的光电性能.     

耳蜗毛细胞换能的生物物理特性

耳蜗的声感受是通过将大气压的微小波动转换成沿听神经传导的AP而实现的，HC在这-机-电换能过程中起关键作用。近二十年来，HC换能的生物物理特性研究取得许多重要突破，已在诸多方面从根本上改变了人们对听觉机制的传统认识。本文从HC换能模型、IHC与OHC的功能差异以及耳蜗声分析主动机制等三方面对这一领域进行了讨论与展望。     

两端奇异的左定Sturm-Liouville问题的谱函数与Weyl函数

研究了一类特殊边界条件下两端奇异的左定Sturm-Liouville问题，建立了左定Sturm-Liouville问题的谱矩阵ρ（λ）与Weyl矩阵M（λ），并给出了谱矩阵ρ（λ）的元素与Weyl矩阵M（λ）的元素之间的关系。     

植物育种与农作物改良中的分子遗传标记

本书介绍了植物分子遗传技术的基本信息，从遗传标记的定位到基因克隆。     

芳醛电合成的研究—Ⅰ对甲苯甲醛电合成方法的改进

确定了用Ｐｂ（＋）－Ｐｂ（－）电极对使Ｍｎ（Ⅱ）电氧化成Ｍｎ（Ⅲ）的优选条件，并测定了在四丁基溴化铵催化下选用Ｍｎ（Ⅲ）氧化对二甲苯制对甲苯甲醛反应的动力学参数。     

多片生成元集分形介质层的波反射

该文研究了多片任意生成元集（即更加广义的Ｃａｎｔｏｒ集）分形介质层的垂直入射及斜入射的反射透射谱，给出了这种情况下的一般自相似递推谱算法．这种算法能得到任意级次、任意结构及任意入射角条件下的振幅谱．文中所给出的一类反射谱是一种准周期自相似谱，有望在电子对抗、薄膜光学及光电器件等重要领域获得应用．     

基于强化学习的电磁悬浮型磁浮列车悬浮控制

为了保证磁浮列车的安全、可靠运行,研究了悬浮系统在参数摄动条件下的悬浮控制问题。首先,对电磁悬浮（EMS）型磁浮列车的基本悬浮单元建模,给出了电流控制模型;然后,建立了悬浮系统的强化学习环境以及软演员-评论家（SAC）智能体,并设计了加速训练的奖励函数与“吸死”处理方案;最后,提出了基于强化学习的悬浮控制方法。与传统比例-积分-微分（PID）控制方法的对比结果表明,本方法具有更快的动态响应,在损失50%线圈匝数或磁极面积变化时具有更好的跟踪精度。     

二维非均匀介质内辐射与瞬态导热耦合传热分析

充分利用间断谱元法对非规则区域良好适应性、数值稳定、局部高阶收敛性等优点,开展了二维非均匀介质内辐射与瞬态导热耦合传热分析。在求解过程中,将空间计算域离散为多个不重合的单元,并在单元内采用高阶谱节点进行离散。对于非均匀介质内离散坐标形式的辐射传递方程,根据离散角度上的辐射能传递方向,确定单元间的上下游关系,并采用迎风格式来实现单元间辐射信息的有效传递;对于瞬态能量守恒方程,采用全隐格式进行瞬态项离散。通过多组非均匀介质内辐射与瞬态导热耦合传热算例,发现了间断谱元法具有随单元数增加的线性收敛特性,以及随单元内节点数增加的指数收敛特性;通过与文献中结果对比,发现最大相对误差均小于1%,验证了间断谱元法的正确性和有效性;随着辐射与导热耦合参数的增加,导热在耦合传热所占比重会加大,非均匀介质带来的温度场非均匀性会减弱,达到稳态的时间变长。     

吉木萨尔陆相页岩油微观赋存类型

为了更好地认识页岩油微观赋存状态及类型,避免实验过程中水钻取样对原油分布的影响,选取吉木萨尔页岩典型含油岩芯,采用全程液氮钻、切、磨制样工序,通过全能谱扫描电子显微镜、二次电子成像及背散射相结合的技术手段,获得微观储层矿物类型和结构、储集空间类型、形貌以及C, O, Si, Al, Ca, K, Na,Mg等元素在微、纳米尺度的分布。依据去除矿物因素后的C元素含量分布,判别原油在微、纳米空间尺度的富集程度。结合矿物岩石组构和储集空间形貌,对微、纳米尺度页岩油原油的赋存状态及分布类型进行直观的定量表征,并基于C元素含量推测微观含油饱和度的相对变化。针对原油与孔喉的配置关系,进行储层微观孔喉结构与原油赋存状态的表征,明确原油赋存类型。总结出研究区4种微观原油赋存类型:白云质溶蚀微米级大孔道中的可动油、砂质粒间微纳米级孔中可动油、砂质粒间孔喉壁吸附的半束缚状态的油膜以及自生黏土矿物晶间孔内束缚油。     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。