1．了解化学变化过程中的热效应、恒容反应热和恒压反应热的概念与测定；会写热化学方程式； 2．初步了解焓的概念，知道焓变是化学反应自发过程的一种驱动力； 3．会进行有关热化学的一般计算； 4．初步了解熵、熵变和绝对熵的概念，知道熵变是化学反应的自发过程的另一种驱动力； 5．初步了解热力学第一、第二、第三定律的概念； 6．初步了解吉布斯自由能及吉布斯-亥姆霍兹方程，初步学会用其判据化学反应的自发性； 1 热化学和焓 Thermochemistry and enthalpy 2 熵和熵变—反应自发性的另一种判据 Entropy and entropy change — judgment for spontaneous reaction 3 自由能——反应自发性的最终判据 Free energy－the determined criterion for the spontaneous process

(首先从化学与物理的联系入手逐步引出物理化学学科产生的必然性以及其研究内容和任 务) 物理化学 中学化学曾学过:物质的变化不外乎是化学变化和物理变化,二者有密切的联系,从宏 观角度看,化学变化总是包含或者伴随着各种能量形式的物理现象

采用动电位极化、电化学阻抗、动电位电化学阻抗谱和电容测量等方法研究了690合金在一回路模拟溶液中的电化学行为.极化曲线结果表明:690合金在两种溶液中都存在较窄的钝化区间,在0.5V出现二次钝化现象.电化学阻抗表明,690合金在不含Cl-溶液中的阻抗模值较大,而随Cl-的加入阻抗模值变小.动电位电化学阻抗谱表明,随扫描电位正移,钝化膜在两种溶液中具有相似的变化趋势,动电位电化学阻抗谱与动电位极化曲线完全对应.690合金在0.2V下形成的钝化膜的Mott-Schottky曲线测量表明,溶液中Cl-使得钝化膜中的施主和受主密度增大

为研究铁闪锌矿氧化浸出机理,以人工合成铁闪锌矿的悬浮矿浆为研究对象,采用三电极体系对其在硫酸浸出过程中的电化学行为进行了研究.结果表明在铁闪锌矿浸出过程中有H2S中间产物生成;通氧、元素硫分散剂以及氯离子引入浸出体系均能明显促进铁闪锌矿的电化学氧化;随硫酸浓度升高,铁闪锌矿的电化学氧化不断加强而闪锌矿的电化学氧化受抑.与闪锌矿相比,铁闪锌矿更易发生电化学氧化.在铁闪锌矿硫酸浸出过程中,其电化学氧化作用不容忽视

1.化学反应速率的意义、能用化学反应进度的概念表示化学反应速率; 2.理解和掌握浓度、温度等因素与化学反应速率的定量关系; 3.理解基元反应、化学反应速率常数、反应级数的意义; 4.学会用活化能、活化分子等概念解释化学反应速率的影响因素; 5.了解多相反应、光化学反应、链反应的概念;

第一节 葡萄酒的氧化还原体系 1.1 概念 1.2 氧化还原电势 1.3 氧化还原缓冲能力 1.4 溶氧量 1.5 葡萄酒的氧化还原体系 第二节 陈酿过程色味的化学变化 2.1 葡萄酒颜色评价体系 2.2 花色素结构与呈色 2.3 葡萄酒中花色苷变化 2.4 陈酿过程中与颜色有关的化学反应 2.5 白葡萄酒颜色的变化 2.6 葡萄酒风味的变化 第三节 木桶陈酿化学 3.1 木桶陈酿的作用 3.2 控制性氧化 3.3 从橡木桶中浸提的非挥发性物质 3.4 从橡木桶中浸提的挥发性物质 3.5 橡木桶在干白葡萄酒酿造和陈酿中的应用 3.6 木桶类型对葡萄酒变化的影响 3.7 木桶陈酿的局限性与危险性 第四节 瓶储化学 4.1 老熟现象 4.2 瓶储过程的化学变化 4.3 瓶塞 4.4 醇香的形成 4.5 人工老熟

§6.1 化学反应的平衡条件—— 反应进度和化学反应的亲和势 §6.2 化学反应的平衡常数和等温方程式 §6.3 平衡常数的表示式 §6.4 复相化学平衡 §6.5 标准摩尔生成Gibbs自由能 §6.6 温度、压力及惰性气体对化学平衡的影响 §6.8 反应的耦合 §6.9 近似计算 §6.7 同时化学平衡 *§6.10 生物能学简介

§6.1 化学反应的平衡条件—— 反应进度和化学反应的亲和势 §6.2 化学反应的平衡常数和等温方程式 §6.3 平衡常数的表示式 §6.4 复相化学平衡 §6.5 标准摩尔生成Gibbs自由能 §6.6 温度、压力及惰性气体对化学平衡的影响 §6.8 反应的耦合 §6.9 近似计算 §6.7 同时化学平衡 *§6.10 生物能学简介

§6.1 化学反应的平衡条件——反应进度和化学反应的亲和势 §6.2 化学反应的平衡常数和等温方程式 §6.3 平衡常数的表示式 §6.4 复相化学平衡 §6.5 标准摩尔生成Gibbs自由能 §6.6 温度、压力及惰性气体对化学平衡的影响 §6.8 反应的耦合 §6.9 近似计算 §6.7 同时化学平衡 *§6.10 生物能学简介

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战