高陡横坡段桩柱式桥梁双桩基础受力分析

基于高陡横坡段桩柱式桥梁双桩基础承载特性,提出了一种改进有限杆单元计算分析方法.分析了高陡横坡段桩柱式桥梁双桩基础承载机理及受力特性,建立了双桩基础计算分析模型.其次,根据前、后桩与边坡相对位置关系,给出了后桩所受剩余下滑力与前桩所受土压力的比例关系.在传统有限杆单元分析方法基础上,结合陡坡桩受力特征,导得了考虑桩土共同作用与"P-Δ"效应的单元刚度矩阵修正方法,并在此基础上编制了适用于高陡横坡段桩柱式桥梁双桩基础的有限杆单元分析MATLAB计算程序.采用室内模型试验对本文计算方法进行验证,给出了适用于陡坡段桥梁桩基的设计流程图.研究结果表明:本文理论计算值与模型试验实测结果吻合良好,表明本文计算方法正确可行,可为同类工程设计提供参考.     

2种煤液化残渣氧化萃余物中杂原子化合物的鉴定

在40℃恒温水浴下用次氯酸钠对2种煤液化残渣进行氧化,将反应所得混合物用滤膜过滤,滤出液依次用石油醚、二硫化碳、四氯化碳和乙酸乙酯萃取,得到的萃取物用气相色谱/质谱(GC/MS)分析.根据分析结果系统地考察了2种煤液化残渣中所含杂原子化合物的分布,为从煤液化残渣中选择性地脱除这些杂原子化合物及提取高附加值化学品提供了一条路径.     

气相色谱法测定水环境中甲苯及硝基苯类化合物含量

采用正己烷萃取,气相色谱法测定水中甲苯、硝基苯、邻硝基甲苯、间硝基甲苯、对硝基甲苯。方法在6.25~100μg/L范围内线性良好,检出限为0.2~0.25μg/L。标准溶液平行测定的RSD≤10.0%,加标回收率分别为80%~114%。方法简便快速,可用于实际样品的检测。     

用柱后衍生荧光测定法检测食品中土霉素和四环素残留

应用高效液相色谱(HPLC)对动物性食品中土霉素(OTC)和四环素(TC)进行测定，样品经含乙二胺四乙酸二钠的丁二酸钠缓冲液除蛋白后，由SPE-C18小柱提纯净化，经ODS-C18柱分离后，用8％氧氯化锆溶液柱后衍生，与锆离子的螯合物在激发波长(Ex)：406nm和发射波长(Em)：515nm处检测。实验优化了锆试剂的浓度和柱后衍生的条件，提高了栓出的灵敏度，土霉素和四环素的回收率分别为89．59％和92．59％，变异系数(CV)分别为4．98％和6．74％。土霉素和四环素的最低栓出浓度(信噪比5：1)分别为3μg/L和5μg/L，线性范围为0．01～10μg/L，土霉素和四环素的相关系数分别为0．9999和1．0000。     

湍流大小尺度涡量方程组及其封闭

利用流体大小尺度 (LSS)方程组推导出湍流大小尺度涡量 (LSSV)方程组 ,给出两个关于湍流大小尺度涡量的命题 ,从而得到湍流封闭大小尺度涡量 (CLSSV)方程组。同时 ,对近程相互作用命题进行了推广。     

用柱后衍生荧光测定法检测食品中土霉素和四环素残留

应用高效液相色谱(HPLC)对动物性食品中土霉素(OTC)和四环素(TC)进行测定,样品经含乙二胺四乙酸二钠的丁二酸钠缓冲液除蛋白后,由SPE-C18小柱提纯净化,经ODS-C18柱分离后,用8%氧氯化锆溶液柱后衍生,与锆离子的螯合物在激发波长(Ex)406nm和发射波长(Em)515 m处检测.实验优化了锆试剂的浓度和柱后衍生的条件,提高了检出的灵敏度,土霉素和四环素的回收率分别为89.59%和92.59%,变异系数(CV)分别为4.98%和6.74%.土霉素和四环素的最低检出浓度(信噪比51)分别为3μg/L和5 μg/L,线性范围为0.01～10g/L,土霉素和四环素的相关系数分别为0.999 9和1.000 0.     

弱相互作用下原子的玻色-爱因斯坦凝聚

从理论上分析提出了弱相互作用下Bose体系的BEC理论，并由此来解释液^4He的超流性。通过深入对比理想Bose气体和弱相互作用下Bose体系发生BEC性质的不同，分析得出了凝聚体系粒子间相互作用的有无是导致二者性质不同的主要原因。     

用变分法分析地基-箱形基础-上部结构相互作用

利用空间子结构法凝聚上部结构的刚度与荷载,形成一个超级单元,同时,采用有限分层地基模型,并计及基础自身刚度的影响,建立起基于能量变分原理的地基-箱形基础-上部结构相互作用的数学模型.由于该模型合理的体现了三者协同工作的机制,从而可以对问题进行较为全面的分析.     

疏水色谱法及其在生物大分子分离纯化中的应用

综合评述了疏水相互作用色谱法（hydrophobic interaction chromatography,HIC)的理论及其在生物大分子分离纯化方面的研究进展。     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.