为拓宽材料的阻尼温域，增大聚氨酯应用范围，基于聚氨酯的结构可设计性，引入含有甲苯-2,4-二异氰酸酯（TDI）和聚乙二醇单甲醚（MPEG）的预聚体制备带长支链的聚氨酯。长支链一端固定一端活动的特点赋予其特有的运动与松弛。甲苯-2,4-二异氰酸酯的存在不仅延长了支链长度，增大了支链与分子间的缠结程度，还使支链含有强极性的吸电子的异氰酸酯基和氨基甲酸酯基，使得支链与主链间具有较强的氢键作用。因此，从氢键及微相分离角度来分别探究聚氨酯阻尼的影响因素。结果表明，长支链占比增加，储能模量比值达到268.28，聚氨酯的微相分离程度降低，氢键作用增强，在氢键作用和微相分离程度降低的双重作用下聚氨酯的有效阻尼（阻尼因子大于0.3）温域超过150 ℃（?50～100 ℃），极大改善了聚氨酯弹性体的阻尼性能。此外，加入支链后聚氨酯具有一定的自修复性，对延长聚氨酯的使用寿命有较大意义

一、学习者特征分析概述 二、认知发展特征分析 三、学习者的起点水平分析 四、学习者学习风格的分析

从界面润湿性的角度,对一些冶炼过程中的常见界面现象进行了详细分析.对于渣的泡沫化过程,主要分析了润湿性对渣的泡沫化指数的影响;对于铁水和钢液脱硫过程,主要分析了对脱硫速率和脱硫剂的利用率以及穿透钢液速率的影响;对于钢液与熔渣对耐火材料的侵蚀过程,主要分析了对耐火材料在熔渣中的饱和溶解度、熔渣在耐火材料中的侵蚀深度以及耐火材料的侵蚀速率的影响;对于钢中夹杂物的运动过程,主要分析了对钢中夹杂物的形核、聚集、去除、空间分布等影响.同时,本文总结得出了对于这些实际冶炼过程有利的界面润湿性

一、自然界中,化学物质的分解方式: 1、光分解:在紫外线具有吸收的化合物,吸收太阳光的短波而分解; 2、化学分解:在温度、pH、金属离子,土壤矿物的作用下而产生的化学分解;

组织的类型 一、根据组织的发育程度、生理功能和形态结 构的不同,可分为分生组织与成熟组织。 1.分生组织: 持续性或周期性具有分裂能力的细胞群 2.成熟组织: 由分生组织产生,不再行细胞分裂而行使其特定生理功能的细胞群

在学习了饲料常规成分分析的基础上,要求掌 握纤维素分析测定的 Van soest方案以及氨基 酸、常量元素与微量元素检测分析的基本原 理、方法和基本技能训练

为了保证齿轮钢中非金属夹杂物的控制，并确定齿轮钢经济合理的总氧含量控制目标，开展了总氧含量对齿轮钢中非金属夹杂物的影响研究。以三种不同总氧含量的Mn–Cr系齿轮钢为研究对象，利用Aspex扫描电镜、极值法、疲劳测试等不同方法研究了齿轮钢中非金属夹杂物数量、分布、尺寸等，获得了夹杂物与齿轮钢总氧含量的对应关系。在本文实验条件下，随着总氧含量的降低，钢中氧化物夹杂数量不断减小，其中5～10 μm的小尺寸夹杂物减小最明显，而10 μm以上的大尺寸夹杂物数量变化规律不明显。另外，极值法和疲劳试验结果表明，总氧含量高时（质量分数为0.0013%），钢中最大氧化物夹杂尺寸也较大，比总氧质量分数为0.0010%和0.0005%的实验钢的最大夹杂物尺寸高10 μm以上，且当总氧含量比较低时（质量分数≤0.0010%），实验钢总氧质量分数变化（0.0010%、0.0005%）对钢中最大夹杂物尺寸影响不大

分生组织 meristem 1.按存在部位分为: (1)顶端分生组织: 位于根尖、茎尖,行顶端生长。 (2)侧生分生组织: 包括(维管)形成层和木栓形成层,行加粗生长。 (3)居间分生组织: 位于成熟组织之间,行居间生长

为了探究全进口矿条件下褐铁矿在烧结工艺中的合理配置，实现褐铁矿的高效利用以进一步提铁降本，针对S钢铁公司500 m2大型烧结机实际原燃料条件，基于试验用铁矿粉的常规理化性能和高温烧结基础特性开展了不同褐铁矿配比的烧结杯试验研究，结合Factsage 7.1热力学软件，模拟计算了不同褐铁矿配比条件下的黏附粉含量和理论液相生成量及性能，并采用矿相显微镜分析了烧结矿的显微结构，探明了褐铁矿与赤铁矿和磁铁矿的优化搭配规律。研究表明：澳大利亚褐铁矿具有粒度粗、矿化能力弱，同化温度低、黏结相强度差、吸液性强的特点，当褐铁矿质量分数由45%增加至55%时，提高磁铁精矿OD矿的质量分数至15%，同时降低OC矿质量分数至10%，烧结矿转鼓强度和低温还原粉化性能等指标达到最优，这是由于一方面提高磁铁精矿配比不仅具有增加黏附粉比例、改善液相生成数量和性能的作用，而且可以均匀液相分布，消除过熔现象；另一方面，增加磁铁精矿配比可以改善烧结料球的粒度组成，减少褐铁矿吸液量，提高烧结矿强度。因此，在高褐铁矿配比条件下，增加适宜的磁铁精矿配比有利于稳定烧结矿质量，全面改善烧结矿性能

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度