胚胎期和哺乳期全氟辛烷磺酸(PFOS)暴露致大鼠学习记忆能力下降

为了探讨全氟辛烷磺酸(PFOS)的发育神经毒性,寻找PFOS发育神经毒性作用的敏感期,利用水迷宫和组织病理切片技术,研究了胚胎期和哺乳期暴露于PFOS后新生大鼠发育情况、学习记忆能力、抓力以及海马组织病理学改变。结果显示：PFOS导致仔鼠发育迟缓,睁眼期延迟。仔鼠出生后体重与对照组相比出现显著性降低。同一PFOS暴露浓度下,胚胎期暴露组体重低于哺乳期暴露组,抓力差异不显著。水迷宫实验结果显示,TT15(胚胎期和哺乳期均暴露于15 mg·L^-1 PFOS)和TC15(仅胚胎期暴露于15 mg·L^-1 PFOS)暴露组仔鼠逃避潜伏期显著高于对照组,且TC15暴露组仔鼠逃避潜伏期显著性高于CT15(仅哺乳期暴露于15 mg·L^-1 PFOS)暴露组。空间探索实验中,TT15暴露组仔鼠在目标象限的游泳时间显著性低于对照组,其他组无显著性差异。组织病理切片结果显示暴露组海马组织细胞数量减少,出现细胞凋亡现象。结果表明,PFOS造成仔鼠的发育延迟以及学习记忆能力下降的关键作用时期可能是胚胎期。     

菇渣用作无纺布容器育苗成型机配套基质的研究

为探讨菇渣在无纺布容器育苗成型技术中作为配套容器基质应用的可行性,研究了育苗成型机制备的菇渣(发酵后)和草炭容器基质的基本理化性质、盐分淋洗特征及其对火炬树和侧柏出苗及生长的影响。结果表明:菇渣基质的容重、通气状况与草炭基质之间无显著差异,pH值虽显著高于草炭基质,但适宜多数植物生长;相对于草炭基质,菇渣基质的持水能力不足,保肥性能较差;菇渣基质的适宜水分范围(36.1%~143.5%)明显小于草炭基质(41.9%~193.8%),有效水绝对含量较低;菇渣基质的电导率(3.71 mS.cm-1)虽高于安全育苗的临界值(≤2.6 mS.cm-1),但随着浇水次数的增加可逐渐降到安全值以下;菇渣基质的全氮、全磷和全钾含量显著高于草炭基质。在充足的水分和养分条件下,菇渣和草炭容器基质对侧柏和火炬树出苗及成活的影响基本一致,但菇渣基质对火炬树的育苗效果优于草炭基质。可见,只要保证充足水分,菇渣基质在无纺布容器育苗成型技术中可以替代草炭基质用于火炬树和侧柏的育苗。     

基于机器学习分类算法解析EIS数据的有机涂层性能评价方法

目的 基于机器学习分类算法快速评估有机涂层的防腐性能。方法 通过实验室加速试验模拟涂层真实的退化过程,并根据测得的电化学数据,分析不同退化阶段的等效电路元件参数。随后,采用随机抽样方法获取大量数据,用于机器学习模型训练。通过对比支持向量机(SVM)、k最近邻(k-NN)和随机森林(RF)3种不同的机器学习算法,以及多种输入特征集训练的涂层性能分类器模型的准确率,分析最适合用于涂层性能快速评估的机器学习算法和电化学特征。结果 根据不同输入特征训练的k-NN和RF模型均表现出良好的预测效果,而SVM模型的预测效果相对较差。根据不同频率范围训练的分类器模型中,在低频区表现最佳,而在高频区表现较差。结论 基于阻抗虚部、虚部+实部和阻抗模值3种输入特征训练的RF分类器模型的预测效果最准确。不同频率区间内,低频区的阻抗特征更能准确表征涂层性能。     

基于SA-ELM的爆破震动速度预测

针对爆破震动速度与其影响因素之间的复杂非线性,结合模拟退火算法(SA)的全局寻优性,提出了一种新的SA-ELM算法.以矿山周边建筑物爆破震动实测数据作为训练样本,选取总药量、最大段药量、测点与爆破点距离、地面震动特性、建筑物震动特性等8个影响因素作为输入变量,建立了爆破震动速度预测的SA-ELM模型.模型训练值和预测值与实测值的均方误差(MSE)分别为0.20和3.26,平均相对误差控制在5％以内,显示出该模型具有良好的训练精度和泛化能力.对比传统ELM模型,SA-ELM模型不但提高了精度和泛化能力,而且降低了隐层节点数变化对训练结果的影响,提高了模型的稳定性.     

基于GM-SVR的小样本条件下化工设备可靠性预测

为了准确预测化工设备可靠性趋势，针对化工设备失效寿命数据为小样本的情形，基于灰色估计法与支持向量回归机在小样本数据处理中的优势，建立了失效寿命时间服从三参数威布尔分布的化工设备可靠性模型；结合GM（1，1）和SVR对模型进行参数估计，在压缩机可靠性分析中进行了实例应用，对比分析了最小二乘法、灰色估计法和GM-SVR的估计效果。研究结果表明:GM-SVR对威布尔分布参数的估计精度明显优于最小二乘法和灰色估计法，可以有效地应用于化工设备失效数据为小样本时的可靠性预测。     

基于CDIO的高职市场营销专业教学模式创新与实践研究

在市场营销专业教学中,通过借鉴CDIO教学理念,建立三系统、四模块教学体系,制定基于项目的"做中学"的教学内容,采用行为导向的六步教学法引导学生主动学习,通过多元化方式进行评价,加强机制建设与教学团队建设。     

Boosted Regression Tree Models to Explain Watershed Nutrient Concentrations and Biological Condition

Boosted regression tree (BRT) models were developed to quantify the nonlinear relationships between landscape variables and nutrient concentrations in a mesoscale mixed land cover watershed during base‐flow conditions. Factors that affect instream biological components, based on the Index of Biotic Integrity (IBI), were also analyzed. Seasonal BRT models at two spatial scales (watershed and riparian buffered area [RBA]) for nitrite‐nitrate (NO₂‐NO₃), total Kjeldahl nitrogen, and total phosphorus (TP) and annual models for the IBI score were developed. Two primary factors — location within the watershed (i.e., geographic position, stream order, and distance to a downstream confluence) and percentage of urban land cover (both scales) — emerged as important predictor variables. Latitude and longitude interacted with other factors to explain the variability in summer NO₂‐NO₃ concentrations and IBI scores. BRT results also suggested that location might be associated with indicators of sources (e.g., land cover), runoff potential (e.g., soil and topographic factors), and processes not easily represented by spatial data indicators. Runoff indicators (e.g., Hydrological Soil Group D and Topographic Wetness Indices) explained a substantial portion of the variability in nutrient concentrations as did point sources for TP in the summer months. The results from our BRT approach can help prioritize areas for nutrient management in mixed‐use and heavily impacted watersheds.     

INVESTMENT SEQUENCING RECOGNIZING EXTERNALITIES IN WATER DESALTING1

ABSTRACT. The failure to recognize the learning process in new technologies such as desalting may lead to incorrect water resource investment decisions for two reasons. First, to neglect cost reductions stemming from “learning by doing” implies an overestimation of desalting costs. Second, since learning in a particular plant may result in external (learning) benefits to other plants, these may serve as the basis for a subsidy intended to internalize such benefits. Accordingly, the research reported below includes an estimation of learning functions for desalting and the results of a formulation designed to measure external benefits on the basis of these learning functions. These results are then incorporated into a decision framework for water resource investments which recognizes uncertainty in determining optimal timing of desalting construction.     

基于SVR的含缺陷管道剩余强度研究

针对采用标准预测含缺陷管道剩余强度误差较大这一问题,在Matlab中建立基于SVR的含缺陷管道剩余强度预测模型,并基于60组含缺陷管道爆破试验数据进行训练测试,以验证模型的实际性能.结果表明:SVR模型预测测试集结果的最小相对误差为0.55％,最大相对误差为10.35％,平均相对误差为2.63％,预测结果的R2高达0....     

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一,为了实现矿井通风阻力系数简单准确地预测,提出了利用支持向量机（SVM）来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系,并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型,对比分析各预测模型的相对误差,确定最佳矿井通风阻力系数预测模型,即当输入模型影响因素为巷道断面积、周长和支护方式时,预测相对误差小于10%的样本数占测试样本的76%,相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的,并具较高的准确性。