为了更加快捷、高效地判定边坡稳定与否，基于机器学习，融合主成分分析法（PCA）、参数调整、影响因素权重分析等，建立了一种边坡安全稳定性评价体系。研究发现，运用PCA可以在保留80%数据原信息的前提下将输入变量维度从六维降至三维，但此时模型效果有所下降；随机森林及梯度提升(XGBoost) 两种学习算法均可搭建有效的边坡安全稳定性评估模型，通过对其预测效果的对比分析，确定XGBoost为最佳评价模型。与此同时，采取卡方检验、F检验以及互信息法3种相关性检验手段，并通过计算评价因子的重要程度且加以可视化展示，明确了容重、坡高、内摩擦角以及内聚力4个内在因素的重要性，最终将评估结果与实际结合提出了边坡安全防护措施

《西方经济学》课程知识拓展（经济学书架PDF电子书）汉译世界学术名著丛中：《经济发展理论——对于利润、资本、信贷、利息和经济周期的考察》[美]约瑟夫·熊彼特著

针对赤铁矿渣中存在杂质，影响其综合回收利用的问题，开展赤铁矿渣高温水热法脱杂，制备铁红的研究。研究了不同酸度、温度、时间和液固比条件，对铁红产品中铁、锌、硫含量以及锌、硫脱除率和铁溶出率的影响。实验结果表明：pH值为1，温度220 ℃，保温时间3 h，液固比6∶1，转速400 r·min?1条件下，铁红产品中铁质量分数由58.66%上升为66.83%；赤褐铁类矿物含铁由占总铁质量分数94.05%，上升为97.79%；硫质量分数由2.96%下降至0.82%；锌质量分数由1.03%下降至0.18%。经X射线衍射检测，与赤铁矿渣相比，铁红产品中氧化铁信号峰值提高，杂峰减少。通过扫描电镜/能量散射X射线分析，铁红产品表面附着的硫酸盐等杂质经高温水热法处理后明显减少；实验前后，赤铁矿渣与铁红产品颗粒形貌与大小没有发生变化。实验处理后的铁红产品经检测，满足国家标准氧化铁红含铁量C级，水溶物和水溶性氯化物及硫酸盐含量III型，筛余物2型，105 ℃挥发物V2型，来源a型标准

《过程设备设计基础》课程教学资源（相关标准文献）1999年压力容器相关标准更新信息

西安石油大学经济管理学院：《会计学 Accounting》课程教学资源（毕业论文）亏损公司盈余信息价值相关性研究（贾轩）

研究了全状态约束与输入饱和情况下的全向移动机器人轨迹跟踪控制问题.首先，针对一类三轮驱动的全向移动机器人，考虑系统存在模型参数不确定与外部扰动，建立了运动学与动力学模型；其次，利用障碍Lyapunov函数，结合反步设计方法，有效处理全向移动机器人跟踪过程中存在的状态约束，保证所有状态变量不会超出状态约束的限制区域；然后，针对系统参数不确定和未知有界扰动，设计相应的自适应律进行处理；同时，提出一种抗饱和补偿器保证机器人输入力矩满足饱和约束；并且利用Lyapunov理论分析证明了当选取合适的控制参数时闭环系统中的所有信号均能保证一致有界；最后，通过与未考虑状态约束和输入饱和的控制器以及经典比例-微分控制器进行仿真对比，验证了该方法的有效性和鲁棒性

为深入探讨岩石在张拉作用下破裂的声发射特性，设计了一种膨胀剂扩张破裂的声发射实验，详细分析了花岗岩、大理岩和红砂岩声发射信号的特征参数及P波初动极性

《工程科学学报》：基于ECG信号的高精度血糖监测

海洋环境对于金属的腐蚀具有明显的加速作用，尤其在高铁海底隧道环境中，金属比正常的服役时间变短，这种腐蚀情况下会影响高铁的安全和准点运行。基于以上背景，通过夹杂物自动扫描、钢的加速腐蚀及电化学测试对钢中的夹杂物诱发腐蚀行为进行系统分析，重点分析了高铁轨旁信号设备连接金属件（Q235）中夹杂物在盐雾环境下的腐蚀行为。结果表明：钢中主要夹杂物为氧化物、硫化物或者其复合夹杂，而这两类夹杂物对于诱发钢基体点蚀的原因不同。其中数量最多、尺寸小于5 μm类型的夹杂物为硫化物夹杂和氧硫复合类型夹杂物；数量少、尺寸大于5 μm的夹杂物为氧化物夹杂。在服役过程中，钢中硫化物夹杂易溶解脱落形成点蚀坑，而氧化物夹杂周围基体会先溶解引起夹杂物脱落形成点蚀坑，复合类夹杂物也是诱发钢发生腐蚀的因素，不同复合类型的夹杂物腐蚀方式不同，硫化物夹杂和氧硫复合夹杂对碳钢影响较大。电化学测试表明自腐蚀电位约为为?0.1 V，Q235钢本身抗腐蚀能力不强。夹杂物在腐蚀过程中参与了腐蚀，引起阳极极化曲线的波动，加快了Q235钢的腐蚀情况。研究结果对于认识和改善钢的耐腐蚀性能有指导意义

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础