活性炭吸附典型含氮消毒副产物前体物的性能比较

新兴含氮消毒副产物较常规消毒副产物的浓度更低但毒性更强,去除难度更大。 提出采用活性 炭对形成含氮消毒副产物的前体物(以色氨酸为例)进行去除,比较常规和新型活性炭对前体物的去除性 能,并阐释原因。 研究发现:粉末状活性炭(PAC)和活性炭纤维(ACF)对色氨酸的最大等温吸附量分别为 37. 31 mg·g-1 和 178. 57 mg·g-1;对色氨酸的吸附速率分别是 5. 95×10-2 sec-1 和 1. 7×10-3 sec -1;两种类型的活性炭的吸附动力学均属于伪二阶动力学,且都符合 Langmuir 吸附等温方程(r2≥0. 99);ACF 比 PAC 具有更大的比表面积,更大的总孔体积、更小的平均孔径和更多的表面官能团。 在 15 ℃ ~ 45 ℃ 范围内,两者对色氨酸均是熵推动的自发吸附,吸附推动力先增加后减小,但 PAC 和 ACF 对色氨酸的吸附分别为物理吸附和化学吸附;研究结果表明:由于含氮消毒副产物前体物的分子量普遍较小,因此 ACF 更适用于其前体物的去除;由于 ACF 孔径较小,吸附速率较慢,因此需要保证充足的吸附接触时间。     

基于图注意力网络的舆情演变预测研究

要想实现对纷繁复杂的网络舆情的监控和管理,预防舆情危机的突发状况,一个关键的解决方案就是对网络舆情事件的发展趋势进行预测.然而,目前针对舆情演变预测的研究工作却十分有限,尤其是社交网络环境中的舆情演变预测.本文将评论文本的情感值作为演变预测的对象,利用情感词和舆情事件中评论文本的语义相似度,为事件发展的每个时间段都构造一个对应的图结构,再结合门控循环单元（GRU）与图注意力网络（GAT）对情感时间序列进行预测.为了验证模型的有效性,本文以Twitter中弗洛伊德事件的评论文本作为数据集,开展与基于图卷积网络的预测模型的对比实验.实验结果表明,本文提出模型的R²决定系数为0.569,平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）均小于基于图卷积网络的预测模型,能较好地实现舆情事件中评论文本的情感演变预测.     

3-羟基丙酸甲酯加氢合成1,3-丙二醇反应的热力学计算

3-羟基丙酸甲酯催化加氢是合成1,3-丙二醇的一种重要反应，具有工业应用前景.本研究对该反应及其涉及的副反应进行了热力学计算.采用Benson、Joback和Constantinou-Gani 3种基团贡献法，计算了上述反应目前尚缺失的热力学数据.按照Gibbs-Helmholtz方程绘制了相关反应的热力学平衡常数的对数值(lg k)与温度的变化曲线，其中Benson法所得结果与实验结果较好吻合.依据Benson法计算的平衡常数，绘制了压力和温度、压力和氢酯比、底物浓度分别对3-羟基丙酸甲酯加氢合成1,3-丙二醇反应平衡转化率的关系曲面和曲线图，并讨论了上述参数变化对反应的影响.计算数据显示，高压、高氢酯比、低温和低液时空速有利于3-羟基丙酸甲酯向1,3-丙二醇的转化，该结果与实验数据吻合.     

一种基于语义增强和指导路由机制的方面级情感三元组抽取方法

目前，细粒度情感分析已在观点挖掘、文本过滤等域获得广泛应用，通过细粒度情感分析，能完成更精准的文本理解和结果判断.其中，包含方面、观点和情感极性的情感三元组抽取任务是一个具有代表性的细粒度情感分析任务，且大多数相关研究是基于管道模型和端到端模型开展的.然而，一方面，管道模型本质为两阶段模型，存在错误传播的问题；另一方面，端到端模型也无法充分利用句子中各组成之间的联系，存在高层次语义关系捕获能力欠缺的问题.为解决以上问题，本文对句法和语义知识进行特征补充，提出一个基于语义增强和指导路由机制的情感三元组抽取方法(ASTE-SEGRM).首先，基于键值对网络学习源文本的句法特征和词性特征.区别于以往的建模方式，本文所提方法动态捕捉不同句法及词性类型的重要程度，并赋予不同的权重，以实现语义增强；其次，受启发于迭代路由机制，引入指导路由机制构建神经网络，使用先验知识指导情感三元组的抽取；最后，在四个基准数据集上的实验结果证明，本文所提方法优于数个基线模型.