K边界技术在热试验中的应用研究

针对我国首次开展的先进无盐二循环PUREX工艺流程动力堆乏燃料后处理热试验,通过混合式K边界密度计(HKED)测量分析了首端溶解液、1AF料液、1AP及1A槽各级样品中的铀/钚浓度;针对关键钚样品1AF分析,采用新的数据处理方法进行修正,引入对刻度因子有影响的铀浓度。结果表明,当样品铀浓度大于20 g/L,HKED对铀的测量精度小于0.7%,满足热试验样品铀浓度分析需求;方法优化了HKED的实验数据处理,提高了钚浓度分析的准确度,确保了关键数据的准确可靠,为工艺参数的及时调整和正常运行提供重要数据支撑,保障了工艺的安全、有效运行。

混合式K边界技术及其应用的实验室研究(Ⅰ)

描述了１台用于乏燃料后处理厂首端溶解液中铀、钚浓度同时直接测量的混合式Ｋ边界／Ｘ荧光装置的研制和实验结果，包括装置调试、软件开发、系统刻度、精度试验以及对标准铀溶液样品的分析。系统对铀浓度在１００—３５０ｇ／Ｌ范围内Ｋ边界刻度系数的平均值Δμ＝（３．３１７６±０．００１０）ｃｍ２／ｇ，对ρ（Ｕ）＞１００ｇ／Ｌ样品的分析精度在０．２２％—０．４０％之间。用该装置对Ｕ３Ｏ８标准样品的分析结果与化学测量值间的相对偏差好于０．１０％。

混合式K边界密度计在乏燃料后处理热试验中的应用

混合式K边界密度计(HKED)主要用于乏燃料后处理原始料液中U和Pu的浓度分析。本文对HKED的结构组成和特点进行了介绍,根据设施条件和测量对象的特点进行了参数优化及系统校准,将其应用于动力堆乏燃料元件先进无盐二循环Purex工艺流程热试验。结果表明,该装置对1AF料液中U浓度分析的精确度达0.3%。

K边界技术在Purex流程中的应用

利用现有混合式K边界 /X荧光测量装置在Purex流程中进行了应用研究。根据Purex流程样品分析要求 ,进行了装置硬件改造调试、数据分析软件改进 ,并完成了条件实验及大量样品的测量分析 ,为实现U。

支持向量预选取的K边界近邻法

支持向量机是基于统计学习理论的一种新兴的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出了突出的优势。但其支持向量的选取相当困难,这也成为限制其应用的瓶颈问题。本文提出了一种支持向量预选取的方法—K边界近邻法。该方法能有效提取包含支持向量的边界向量机,在不影响分类性能的情况下,极大减少了训练样本,提高训练速度。且新方法避免了数据分布的影响及对先验知识的依赖。仿真实验证明了该方法的可行性和有效性。

与一般的边界K矩阵相关的Heisenberg XXZ模型的潜藏定域规范不变性

本文讨论了与一般的边界Ｋ矩阵相应的ＨｅｉｓｅｎｂｅｒｇＸＸＺ模型的潜藏定域规范不变性。

C^(n)中a-方程的积分解算子的局部C^(k)-边界正则性

研究了闭(p,q)-形式的Koppelman-Leray算子的性质,得到了C^n中方程的积分解算子的局部C^k-边界正则性,推广了文[1]的结果。

一种支持向量机预处理方法的研究

支持向量机(Support Vector Machine, SVM)在处理大规模数据集时,随着样本维度增高,样本数量增多会出现训练时间显著增多的问题。为了解决该问题,文章提出了一种基于主成分分析(Principal Component Analysis, PCA)和K边界近邻法(K Nearest Bound Neighbor, KNBN)的SVM预处理方法;先用PCA对训练数据降维消除训练数据中的冗余信息,然后利用KNBN预选取训练数据中的支持向量来减少训练数据量。数值实验结果表明,与PCA-SVM、KNBN-SVM和无数据预处理的SVM方法相比,采用本文提出的SVM预处理方法既保持了良好的分类预测精度,又缩短了大量训练时间。

XYZ自旋开链的Lax对及其边界K矩阵

明显构造了开边界条件下ＸＹＺ模型的Ｌａｘ对。

地球上的天体撞击事件

2000年7月,在奥地利的维也纳举行了"灾害事件与生物灭绝:地球上的撞击及其未来"的国际学术讨论会,会上有140余篇报告涉及了对地球上不同地质时期撞击事件的研究。其中有一半以上的报告涉及了时二叠纪-三叠纪地质历史边界(约距今2.3亿年),特别是对白垩纪-第三纪地质历史边界(约距今6500万年)的撞击事件的分析与讨论。因此,太阳系小天体撞击地球作为对人类的一种潜在威胁,继续受到了国际天文学和地学界的普遍关注和重视。

改进支持向量机在睡眠分期预测模型中的应用

睡眠分期是评估人类睡眠质量和诊断相关疾病的关键,对于睡眠分期预测的研究已有诸多成果。文中以脑电信号作为睡眠分期的工具,在支持向量机(Support Vector Machines, SVM)分类应用于睡眠分期预测模型的研究基础上,为了减少睡眠分期预测模型的建立的时间,采用K边界近邻法(K Nearest Bound Neighbor, KNBN)支持向量预选取的方法构造支持向量候选集,建立基于KNBN-SVM的睡眠分期预测模型。实验结果表明,该睡眠分期预测模型的预测准确度理想,并且耗时大幅度缩短。KNBN-SVM方法有效地改进了基于标准SVM睡眠分期预测模型,具有实用价值。

α-方程的C_(p,q)^(k+α)-形式解及其上确界范数估计

文中研究了－－方程在拟凸域上的积分解算子的性质，得到了－－方程在具Ｃｋ（ｋ≥０）类边界的拟凸开集上的Ｃｋ＋αｐ，ｑ－形式的积分算子解及其解的上确界范数估计。