压载荷下Ⅰ-Ⅱ复合型中心裂纹板弹塑性屈曲载荷研究

为了研究含裂纹结构承载能力,采用有限元方法建立压载荷下Ⅰ-Ⅱ复合型中心裂纹板模型,计算裂纹板弹塑性屈曲载荷,讨论相对裂纹长度(a/w)、裂纹倾角(θ)、板宽(w)、板厚(t)、边界条件对弹塑性屈曲载荷及其变化规律的影响。对于上下夹持中心裂纹板,随着裂纹长度和裂纹倾角的增大,板宽越大,中心裂纹板屈曲载荷对裂纹越敏感,中心裂纹板承载能力受到裂纹长度和裂纹倾角的影响越明显。弹塑性屈曲载荷随着板厚的增大而增大,并且随着裂纹倾角的增大,板厚越大,屈曲载荷的下降程度越显著。上下简支中心裂纹板与上下夹持中心裂纹板的屈曲载荷变化规律基本一致,且上下夹持中心裂纹板的屈曲载荷显著大于上下简支中心裂纹板的屈曲载荷。给出不同边界条件下弹塑性屈曲载荷与相对裂纹长度、裂纹倾角的回归关系式。通过中心裂纹板弹塑性屈曲试验发现,采用压缩力学性能计算弹塑性屈曲载荷更接近试验结果,试验屈曲载荷的变化规律与有限元模拟计算结果一致。研究结果对含裂纹结构的承载能力评价具有参考价值。

一株GⅠ-19基因型禽传染性支气管炎病毒基因序列分析及致病性研究

为了解传染性支气管炎病毒(IBV)的遗传变异及致病性,试验对江苏某鸡场发病鸡进行病原分离和鉴定,并对分离株S1基因进行同源性、遗传进化树、糖基化位点、S蛋白裂解位点和致病性分析。结果显示:从发病鸡肾脏组织中分离并鉴定到1株IBV,该分离株经SPF鸡胚盲传5代后,可引起典型的侏儒胚特征病变,其S1基因大小为1620 bp,分离株被命名为CK/CH/WJ215;CK/CH/WJ215与GⅠ-19基因型毒株S1核苷酸序列相似性为94.3%,与流行优势基因型GⅠ-19属于同一分支;RDP4重组分析显示该分离株S1蛋白不存在重组事件;进一步糖基化位点分析表明,与常用疫苗株相比,CK/CH/WJ215 S1蛋白在第51、77、103、138、163、178、247、276、283、530位点出现变异,值得注意的是,与H120疫苗株和QXL87疫苗株相比,CK/CH/WJ215 S1蛋白分别在138和530位出现了新的糖基化位点;7日龄SPF鸡致病性试验显示,该分离株可导致SPF鸡100%(15/15)发病,66.7%(10/15)死亡,并且导致严重的肾脏病变;感染鸡从第2天开始持续排毒,直到第21天气管和泄殖腔排毒率仍为80%(4/5)和100%(5/5)。研究表明,从江苏某鸡场发病鸡群种分离的GⅠ-19基因型IBV对SPF雏鸡具有很强的致病性,结果为该地区传染性支气管炎流行病学及防控提供参考。

全环绕栅极场效应晶体管的Ⅰ-Ⅴ模型紧凑建模

基于表面电势提出了一种无结型全环绕栅极场效应晶体管的Ⅰ-Ⅴ模型。以一维泊松方程为基础,结合相应的边界条件,采用四阶龙格库塔算法对两个解析模型中基于物理原理的非线性超越方程组依次求解,建立了表面电势、中点电势与栅极电压相关的数值模型。随后,根据数值模型中以中间参数形式表示的表面电势结果,利用Pao-Sah积分推导出全环绕栅极场效应晶体管的漏极电流。所提出的Ⅰ-Ⅴ模型结果与数值和实验数据均显示出良好的一致性,验证了该建模方法用于全环绕栅极场效应晶体管的可行性。此外,该方法实现了解析模型与数值模型的结合,在精度和效率之间实现了很好的平衡。

支点摩擦对SCB试样Ⅰ-Ⅱ复合型应力场的影响研究

研究固定支座条件下,支点摩擦对半圆弯曲(SCB)试样I-II复合型断裂行为的影响。考虑裂缝倾角、裂缝长度、支点跨距和支点摩擦系数等因素,采用ABAQUS数值分析软件建立了200个SCB试样的数值模型,对SCB试样的Ⅰ型、Ⅱ型无量纲应力强度因子Y_(Ⅰ)、Y_(Ⅱ)以及无量纲T应力、T^(*)进行了标定。数值结果表明:考虑支点摩擦后Y_(Ⅰ)、Y_(Ⅱ)、T^(*)数值发生了不同程度的减小。支点摩擦系数可以显著改变裂缝尖端的加载模式,会导致加载模式达到纯Ⅱ型的角度β_(Ⅱ)减小。

两类3-正则Halin图的邻点可区别Ⅰ-全染色

应用构造具体染色的方法给出了两类3-正则Halin图的邻点可区别Ⅰ-全色数.

掺杂型Ⅰ-Ⅲ-Ⅵ族多元量子点的制备及应用研究进展

Ⅰ-Ⅲ-Ⅵ族多元量子点具有粒径尺寸小、半峰宽较宽、Stokes位移大、抗光漂白能力强、绿色环保等优异的物理化学性质,通过改变其化学成分可以实现发射范围在可见光到近红外光区域连续调谐,同时避免了Cd、Hg、Pb等重金属元素和Se、Te、P、As等剧毒阴离子的使用。上述优点使其成为替代传统二元量子点的理想材料,因此在太阳能电池、发光二极管、光探测器、生物成像等领域具有广阔的应用前景。与二元量子点相比,多元量子点由于含有多种不同类型的金属离子,存在金属离子反应速率不同的问题,使得晶体内部缺陷较多,因此荧光性能仍有待提高。掺杂过渡金属离子(例如Zn 2+、Mn 2+或Cu+)可有效调控多元量子点的带隙宽度,不仅可增大量子点的Stokes位移,还能促进辐射复合,从而有效拓宽发光范围,提高量子产率。本文详细阐述了掺杂型Ⅰ-Ⅲ-Ⅵ族多元量子点的发光机理,分别介绍了有机相和水相合成法制备该类型量子点的特点,通过有机相合成的多元量子点具有结晶性好、荧光量子产率高的优点,而水相合成的多元量子点具有安全环保、生物相容性好等明显优势。同时,本文综述了过渡金属离子掺杂和共掺杂对多元量子点带隙宽度、可见光吸收范围和荧光强度的影响,最后总结了该类量子点在光电、生物医药和荧光传感器等领域的应用进展。

基于最小Csiszár's Ⅰ-散度的高精度深度定位方法

模态波束形成技术可用于水下目标定位,在深度定位方面,其定位精度(百米量级)往往不能满足实际需求,因此,高精度的深度定位方法需要被探索。传统高精度估计方法,如最小方差无畸变响应,面临着许多问题,如需要大量的快拍样本数等。最小Csiszár’s I-散度的迭代算法可以解决线性系统的求逆问题,但需满足系统的非负性条件,在图像的去模糊领域已得到广泛应用。该文将此算法和模态波束形成技术相结合,提出了一种新的高精度深度定位方法。基于SWellEx-96实验的海洋环境参数,分别用仿真和实验数据验证了该方法的以下性能:实现深度的高精度定位且抑制旁瓣能量;在小快拍数的情况下,深度定位性能良好。

基于Ⅰ-Vector特征融合的蒙古语说话人特征提取方法

针对蒙古语语料少导致蒙古语说话人自适应语音识别系统效果差的问题,该文提出一种基于Ⅰ-vector特征融合的说话人特征提取方法。首先在低资源语料和高资源语料上分别训练Ⅰ-vector模型,之后利用两者训练得到的Ⅰ-vector特征作为中间数据进行最后的特征融合训练。在蒙古语和TIMIT语料库上的实验结果表明,融合训练后Ⅰ-vector说话人特征表现较优,与融合前的Ⅰ-vector特征相比,平均WER降低了0.7%,平均SER降低了3.1%。

圈与路联图点可区别Ⅰ-全染色和点可区别Ⅵ-全染色

一个图G的Ⅰ-全染色是指若干种颜色对图G的全体顶点及边的一个分配使得任意两个相邻点及任意两条相邻边被分配到不同颜色.图G的Ⅵ-全染色是指若干种颜色对图G的全体顶点及边的一个分配使得任意两条相邻边被分配到不同颜色.对图G的一个Ⅰ(Ⅵ)-全染色及图G的任意一个顶点x,用C(x)表示顶点x的颜色及x的关联边的颜色构成的集合(非多重集).如果f是图G的使用k种颜色的一个Ⅰ(Ⅵ)-全染色,并且u,v∈V(G),u≠v,有C(u)≠C(v),则称f为图G的k-点可区别Ⅰ(Ⅵ)-全染色,或k-VDITC(VDVITC).图G的点可区别Ⅰ(Ⅵ)-全染色所需最少颜色数目,称为图G的点可区别Ⅰ(Ⅵ)-全色数.利用组合分析法及构造具体染色的方法,讨论了圈与路的联图C_m∨P_n的点可区别Ⅰ(Ⅵ)-全染色问题,确定了这类图的点可区别Ⅰ(Ⅵ)-全色数,同时说明了VDITC猜想和VDVITC猜想对于这类图是成立的.

几类图的均匀邻点可区别Ⅰ-全染色

设G（V,E）是一个图,f为G的一个k-邻点可区别I全染色,若f满足｜｜Vi∪Ei｜-｜Vj∪Ej｜｜≤1（i≠j）,其中,Vi∪Ei={v｜f（v）=i}∪{e｜f（e）=i},则称f为G的一个k-均匀邻点可区别I-全染色.给出风车图K3~t,图D（m,4）和齿轮图珟W的均匀邻点可区别I-全染色,同时,通过两边夹逼的方法得到了它们的均匀邻点可区别Ⅰ-全色数的确定值.

^(131)Ⅰ-大黄素和^(131)Ⅰ-大黄素酸的坏死靶向性及成像坏死心肌的研究

探讨^(131)Ⅰ-大黄素和^(131)Ⅰ-大黄素酸的坏死靶向性及成像坏死心肌的潜能。用放射性^(131)Ⅰ标记大黄素、大黄素酸,在小鼠肌肉坏死和大鼠心肌梗死(MⅠ)模型上评估这两个示踪剂的坏死靶向性及成像潜能。分别在给药2、12和24 h后处死小鼠,并用γ-计数器测量主要脏器、坏死肌肉的放射量。给药6 h后,SPECT/CT成像大鼠梗死心肌,测量组织分布,并对心脏切片进行病理学分析。小鼠分布数据表明^(131)Ⅰ-大黄素和^(131)Ⅰ-大黄素酸具有良好的坏死靶向性,同时从正常组织清除较快。SPECT/CT图像显示这两个化合物在MⅠ大鼠的心脏部位有高摄取("热点"成像),而在假手术大鼠的心脏区域没有明显的摄取。磷屏定量数据表明:^(131)Ⅰ-大黄素和^(131)Ⅰ-大黄素酸的坏死/正常心肌比分别为9.72和13.14。以上结果说明这两个示踪剂都具有坏死靶向性及成像坏死心肌的潜能。

若干Mycielski图邻点可区别Ⅰ-均匀全染色

图G的一个邻点可区别Ⅰ-均匀全染色是指对图G的邻点可区别的一个Ⅰ-全染色f,若f还满足||T_i|-|T_j||≤1(i≠j),其中T_i=V_i∪E_i={v|v∈V(G),f(v)=i}∪{e|e∈E(G),f(e)=i},则称f为图G的一个邻点可区别Ⅰ-均匀全染色,而图G的邻点可区别Ⅰ-均匀全染色中所用的最少颜色数称为图G的邻点可区别Ⅰ-均匀全色数.通过函数构造法,得到了M(Pn)、M(Cn)、M(Sn)的邻点可区别Ⅰ-均匀全色数,并且满足猜想.

生成的直觉Ⅰ-模糊拓扑

引入了由直觉不分明化拓扑τ生成的直觉Ⅰ-模糊拓扑ω(τ)的定义,研究了直觉不分明化拓扑空间(X,τ)与其生成的直觉Ⅰ-模糊拓扑空间(ζX,ω(τ))之间的关系.

冠图C_m·S_n和C_m·P_n的邻点可区别Ⅰ-全色数

根据冠图Cm.Sn和Cm.Pn的结构性质,用穷染递推的方法,讨论了Cm.Sn和Cm.Pn的邻点可区别Ⅰ-全染色,得到了相应的色数,并给出了具体的染色方案.

S_m∨F_n的邻点可区别Ⅰ-全染色及相关结论

讨论了S_m∨F_n的邻点可区别Ⅰ-全染色,利用构造函数法,构造了一个从点边集V(G)∪E(G)到色集合{1,2,…,k}的函数,给出了S_m∨F_n的一种邻点可区别Ⅰ-全染色方案,得到了其邻点可区别Ⅰ-全色数.并在此种染色方法的基础上,通过适当调整S_m∨F_n的边及其染色,得到了S_m∨S_n,S_m∨W_n,F_m∨F_n的邻点可区别I-全色数,且满足猜想:χiat(G)≤Δ(G)+2.

C_m∨C_n,C_m∨W_n,C_m∨F_n的点可区别Ⅰ-全染色和点可区别Ⅵ-全染色

利用构造具体染色的方法,讨论了圈与圈、圈与轮以及圈与扇的联图的点可区别Ⅰ-全染色和点可区别Ⅵ-全染色问题,确定了这3类图的点可区别Ⅰ-全色数和点可区别Ⅵ-全色数,同时说明了VDITC(Vertex-distinguishingⅠ-total colorings)猜想和VDVITC(Vertex-distinguishingⅥ-total colorings)猜想对于这三类图是成立的.

梯图的邻点可区别均匀Ⅰ-全染色

图的邻点可区别Ⅰ-全染色是指对图的顶点和边染色,使得任意相邻两个顶点的颜色不同,任意相邻两条边的颜色不同,且对任意两个相邻顶点u,v,有C(u)≠C(v),C(u)指该顶点的颜色以及与该点相关联的全体边的颜色构成的集合.图的邻点可区别Ⅰ-全染色如果使得任意两种颜色所染元素数目相差不超过1,则称该染色法为图的邻点可区别均匀Ⅰ-全染色,其所用最少染色数称为图的邻点可区别均匀Ⅰ-全色数.讨论了梯图L_n的邻点可区别均匀Ⅰ-全染色问题,根据该类图的结构性质通过构造有序颜色组,运用循环染色法结合色调整技术,给出它们的邻点可区别均匀Ⅰ-全染色方法,从而有效地确定了其邻点可区别均匀Ⅰ-全色数.

若干路的冠图的邻点可区别Ⅰ-全染色

研究了若干路的冠图P_n°P_m,P_n°Cm,P_n°Fm和P_n°W_m的邻点可区别的Ⅰ-全染色.图G的邻点可区别的Ⅰ-全染色是从G的点边集V(G)∪E(G)到色集{1,2,…,k}的一个映射f,满足:任意uv∈E(G),u≠v,有f(u)≠f(v);任意uv,uw∈E(G),v≠w,有f(uv)≠f(uw);任意uv∈E(G),u≠v,有C(u)≠C(v),其中C(u)={f(u)}∪{f(uv)|uv∈E(G).最小的k值称为图G的邻点可区别的Ⅰ-全色数,记作χiat(G).根据路的冠图P_n°P_m,P_n°C_m,P_n°Fm和P_n°W_m的结构特征,利用构造映射法,构造了一个从集合V(G)∪E(G)到色集合{1,2,…,k}的映射,给出了一种染色方案,得到了它们的邻点可区别的Ⅰ-全色数.

mC3∨nC3和mC4∨nC4点可区别Ⅰ-全染色及Ⅵ-全染色

设f为简单图G的一个一般全染色(即若干种颜色对图G的全部顶点及边的一个分配),如果任意两个相邻点染以不同颜色且任意两条相邻边染以不同的颜色,则称为图G的Ⅰ - 全染色;如果任意两条相邻边染以不同的颜色,则称为图G的Ⅵ - 全染色.用C(x)表示在f下点x的颜色以及与x关联的边的色所构成的集合(非多重集).对图G的一个Ⅰ - 全染色(分别地,Ⅵ - 全染色)f,一旦 u,v∈V(G),u≠v,就有C(u)≠C(v),则f称为图G的点可区别Ⅰ - 全染色(或点可区别Ⅵ - 全染色),简称为 VDIT 染色(分别地, VDVIT 染色).令 χ Ⅰ vt (G)= min {k|G存在k -VDIT 染色},称 χ Ⅰ vt (G)为图G的点可区别Ⅰ - 全色数.令 χ Ⅵ vt (G)= min {k| G存 在k -VDVIT 染色},称 χ Ⅵ vt (G)为图G的点可区别Ⅵ - 全色数.利用构造具体染色的方法,讨论了联图mC 3∨nC 3和mC 4∨nC 4的点可区别Ⅰ-全染色和点可区别Ⅵ - 全染色,并给出了联图mC 3∨nC 3和mC 4∨nC 4的点可区别Ⅰ-全色数和点可区别Ⅵ - 全色数.

随机图的邻点可区别Ⅰ-全染色算法

针对随机图设计了一种启发式的邻点可区别I-全染色算法,能够求解随机图的邻点可区别I-全色数.该算法根据邻点可区别I-全染色条件,确立了3个子目标函数和1个总目标函数,利用交换规则逐步寻优,直到目标函数值满足要求时结束.给出了详细的算法设计步骤及流程,同时进行了测试和分析,测试结果表明,该算法可以得到随机图的邻点可区别I-全色数,并且算法的时间复杂度不超过O(n3).