本学期实验题目 绪论 实验数据的处理 液氮比汽化热的测量 碰撞打靶 用扭摆法测定物体转动惯量 LCR串联谐振电路 直流电桥 圆线圈和亥姆霍兹线圈的磁场 数字示波器的使用 锑化铟磁阻传感器的特性测量 二极管的伏安特性测量及应用 量子论实验—原子能量量子化的观察与测量 X射线透视与 NaCl晶体结构分析 透镜焦距的测量 牛顿环 光的衍射 计算机实测物理实验 用计算机实测技术研究冷却规律 用计算机实测技术研究声波和拍

通过采用一步纳米金属颗粒辅助化学刻蚀法(MACE)成功制备了多孔硅纳米线, 并主要研究了硅片掺杂浓度、氧化剂AgNO3浓度以及HF浓度对硅纳米线阵列形貌结构的影响规律. 研究结果表明: 较高的掺杂浓度更有利于刻蚀反应的发生和硅纳米线阵列的形成, 这是由于高掺杂浓度在硅片表面引入了更多的杂质和缺陷, 同时高掺杂浓度的硅片与溶液界面形成的肖特基势垒更低, 更容易氧化溶解形成硅纳米线阵列; 在一步金属辅助化学刻蚀法制备多孔硅纳米线阵列的过程中, 溶液中AgNO3浓度对于其刻蚀形貌和结构起到主要作用, AgNO3浓度过低或过高时, 硅片表面会形成腐蚀凹坑或坍塌的纳米线簇, AgNO3浓度为0.02 mol·L-1时, 硅纳米线会生长变长, 最终形成多孔硅纳米线阵列. 随着硅纳米线的增长, 纳米线之间的毛细应力会使得一些纳米线顶部出现团聚现象; 且当HF溶液浓度超过4.6 mol·L-1时, 随着HF酸浓度的增加, 硅纳米线的长度随之增加. 同时, 硅纳米线的顶部有多孔结构生成, 且硅纳米线的孔隙率随HF浓度的增加而增多, 这是由于纳米线顶部大量的Ag+随机形核, 导致硅纳米线侧向腐蚀的结果. 最后, 根据实验现象提出相应模型对多孔硅纳米线的形成过程进行了解释, 归因于银离子的沉积和硅基底的氧化溶解

一、土壤有机质测定 土壤的有机质含量通常作为土壤肥力水平高低的一个重要指标。它不仅是土壤各种养 分特别是氮、磷的重要来源,并对土壤理化性质如结构性、保肥性和缓冲性等有着积极的 影响。测定土壤有机质的方法很多。本实验用重铬酸钾容量法

WC-Fe/Co/Ni硬质合金完全可用传统的硬质合金生产方法进行生产。本文通过实验着重说明选择Fe/Co/Ni合金作为硬质合金粘结相是完全可能的,效果是明显的,并且可以使合金的成本大大降低。同时,本文还论述了粘结相成分、粘结相含量及粘结相结构对合金性能的影响

用气固相反应原理分析了单晶硅热氧化机理。在氧化中期,考虑到热应力对扩散系数的影响,从而得出了硅氧化的一个新模型,即化学反应控速——四次方混合控速——扩散控速模型。用该模型处理了文献[4]中的数据与本实验结果均得到满意的相关系数。另外,用扫描电镜和透射电镜对氧化膜进行了观察,分析了单晶硅的氧化膜生长机理

探索了矿浆pH值、分散剂和辅助捕收剂对含碳酸盐铁矿石一步直接反浮选影响.浮选实验结果表明，矿浆pH值由11.0增加到11.8时铁精矿品位陡增，pH值等于11.8时品位达到最高，此后品位变化不明显.矿浆pH值为12.0时，三聚磷酸钠是有效分散剂，十二烷基磺酸钠是KS-Ⅲ有效辅助捕收剂，两种药剂都可同时提高铁精矿的品位和回收率.理论计算表明，浮选实验结果与菱铁矿的浮选溶液化学行为以及颗粒间的相互作用有关.药剂结构性能计算表明，十二烷基磺酸钠在铁矿石阴离子反浮选中有良好的选择性、乳化性和溶解性

一、基本原理 – 红外光谱的频率范围 – 红外吸收光谱产生的条件 – 官能团的特征吸收谱带 二、谱图解析与应用 1. 不饱和度 2. 谱图解析 3. 综合分子式、不饱和度确定可能的结构式 三、仪器原理和操作 – 色散型红外光谱仪 – Fourier变换红外光谱一（FTIR） 四、样品制备和实验步骤 五、注意事项

本文采用快速收敛的ADC[1]法,k-ε双方程湍流模型和雷诺方程,计算了连铸结晶器熔池内的三维流场,计算结果与实验测定相一致,取得了快速收敛节省机时的突出效果,并且在流场结构及特性上得出了较二维计算更为真实全面的结果。在湍流计算中得出C2的新经验值,保证了计算的稳定性

利用某些物质的分子吸收紫外光、可见光 、红外光和激光200800nm光谱区的辐射来 进行定性定量分析和物质结构分析测定的方法 。称为分光光度法或分光光度技术,使用的仪 器称为分光光度计 这种分光光度计灵敏度高,测定速度快 ,应用范围广,其中的紫外/可见分光光度技术 更是生物化学研究工作中必不可少的基本手段 之一

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强