漫谈音乐院校钢琴副科教学的艺术

钢琴副科课是我国音乐院校针对非钢琴专业的学生开设的一门钢琴课程.本文以如何上好钢琴副科课为探讨的主要目的,从基础和提高视谱能力这两个角度来展开讨论,力图使学生学习更富有热情和效率,对知识的掌握更为主动和全面.     

超声波测井仪测量精度问题

本文着重阐述立井钻井法施工时,使用CJ501声波并仪测量井筒直径,影响测量精度的因素及其误差修正方法.     

异步DS-CDMA最优混沌序列集的性能分析

为了获得异步DS—CDMA系统的最优扩谱序列，给出了一套用来选取混沌二值序列的优化准则。基于这一优化准则，我们从Chebyshev映射生成的混沌序列中选取并构造出最优混沌二值序列集合。利用该集合作为异步DS-CDMA系统的扩谱序列，所得到的系统仿真结果符合最优扩谱序列的理论分析值，因此可以被认为是异步DS-CDMA系统的一个最优扩谱序列集合。     

乳清酸的2.5次微分示波极谱法测定

拟定了乳清酸的2.5次微分示波极谱测定新方法.结果表明在0.8 mol/L HCl介质中,乳清酸产生一灵敏的极谱还原波,峰电位Ep =-0.77 V(vs.SCE);其2.5次微分极谱峰峰电流ep″与乳清酸浓度在4.0×10-8～4.0×10-5 mol/L范围内呈良好线性关系(r=0.999 6,n=9),检测限为1.0×10-8 mol/L;13次平行测量4.0×10-7 mol/L乳清酸的峰电流,所得RSD为1.8%.该方法可直接用于测定牛奶中乳清酸的含量.     

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。     

意大利公布再入飞行器试验计划

意大利航天局（CIRA）公布了投资1．2亿美元的实验性无人太空载具（USV—X）再入飞行器计划。USV—X将于2010年搭载欧空局的“织女”号运载火箭或印度火箭发射进入亚轨道。     

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．     

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。