钙循环过程基于 CaCO 3 和 CaO 之间的可逆反应,近年来作为一种有前途的热化学储能系统引起了人们的极大兴趣,该系统可集成到聚光太阳能发电厂 (CaL-CSP) 中。该系统的主要缺点是 CaO 转化不完全及其烧结引起的失活。在本文中,通过使用定义明确且粒度分布较窄的标准石灰石颗粒进行实验性多循环测试,评估了粒度对这些失活机制的影响。结果表明,当在低温氦气中进行煅烧时,CaO 多循环转化主要受益于使用小颗粒。然而,只有对于低于 15 l m 的颗粒,这种增强才显著。另一方面,在高温 CO 2 中煅烧引起的强烈烧结使粒度与多循环性能的相关性降低。最后,SEM 成像表明,在氦气中进行煅烧时,活性丧失的机制主要是孔隙堵塞,而在高温 CO 2 中进行煅烧时,由于烧结导致的表面积大量损失是失活的原因。2019 作者。由 Elsevier BV 代表开罗大学出版。这是一篇根据 CC BY-NC-ND 许可证开放获取的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。
金相专用砂纸采用精选粒度均匀、磨削效果极佳的碳化硅磨粒作为磨料。采用静电植砂工艺生产的金相专用耐水砂纸,具有磨粒分布均匀、刃口锋利、经久耐用的特点。能快速去除试样及浅变形层,对高硬或较硬材料特别有效。所有粗磨、精磨工序均可用水辅助,彻底杜绝了普通金相砂纸干磨试样磨不干净、粉尘多等弊端。由于金相砂纸具有诸多优点,在模具加工(抛光)等对光洁度要求较高的工序中也经常使用。
我们引入了一种新方法,可以分析确定两个不同空间位置的量子场配置之间的纠缠熵(和相关量),量子场要么是自由的,要么与经典源相互作用。我们展示了如何用二分连续高斯系统描述这种设置。这使我们能够仅根据场的傅里叶空间功率谱推导出纠缠熵、互信息和量子不和谐的明确和精确公式。这与以前的研究形成了鲜明对比,以前的研究主要依赖于数值考虑。为了说明这一点,我们将我们的形式化应用于平坦空间中的无质量场,其中导出的精确表达式仅涉及场粗粒度区域的大小与这些区域之间的距离之比。特别是,我们恢复了一个众所周知的事实,即互信息在远距离处以该比率的四次方衰减,正如之前在数值研究中观察到的那样。我们的方法导致了这个结果的第一次分析推导,以及一个也适用于任意距离的精确公式。最后,我们确定了量子不和谐并发现它完全消失了(除非在涂抹球体上进行粗粒化,在这种情况下它遵循与互信息相同的远距离抑制)。
摘要。全脑分割是将整个脑体积划分为解剖标记的感兴趣区域 (ROI),是脑图像分析中的关键步骤。传统方法通常依赖于复杂的管道,这些管道虽然准确,但由于其复杂性而耗时且需要专业知识。或者,端到端深度学习方法提供快速的全脑分割,但通常会由于忽略几何特征而牺牲准确性。在本文中,我们提出了一种新颖的框架,将以前由复杂的基于表面的管道使用但被基于体积的方法忽略的关键曲率特征集成到深度神经网络中,从而实现高精度和高效率。具体而言,我们首先训练一个粗略的解剖分割模型,重点关注高对比度组织类型,即白质 (WM)、灰质 (GM) 和皮层下区域。接下来,我们使用 WM/GM 接口重建皮质表面,并计算表面上每个顶点的曲率特征。然后将这些曲率特征映射回图像空间,在那里它们与强度特征相结合以训练更精细的皮质分割模型。我们还简化了皮质表面重建和曲率计算的过程,从而提高了框架的整体效率。此外,我们的框架非常灵活,可以将任何神经网络作为其主干。它可以作为即插即用组件来增强任何分割网络的全脑分割结果。在公共 Mindboggle-101 数据集上的实验结果表明,与各种深度学习方法相比,分割性能有所提高,速度相当。
摘要 — EEG 是一种功能强大且价格实惠的大脑传感和成像工具,广泛用于诊断神经系统疾病(例如癫痫)、脑机接口和基础神经科学。不幸的是,大多数 EEG 电极和系统的设计并不适用于非洲裔人群中常见的粗卷发。这可能会导致数据质量较差,在从更广泛的人群中记录数据后,这些数据可能会在科学研究中被丢弃,并且对于临床诊断,会导致不舒服和/或情绪紧张的体验,在最坏的情况下,会导致误诊。在这项工作中,我们设计了一个系统来明确适应粗卷发,并证明随着时间的推移,我们的电极与适当的编织相结合,可实现比最先进系统低得多(约 10 倍)的阻抗。这建立在我们之前的工作的基础上,该工作表明,按照临床标准 10-20 排列的模式编织头发可以改善现有系统的阻抗。
能量偶联因子 (ECF) 转运蛋白是一类跨膜蛋白,参与多种细菌对维生素的吸收。抑制这些蛋白质的活性可以降低依赖维生素吸收的病原体的生存能力。维生素转运在细菌代谢中起着重要作用,而人体中却没有这种物质,这使得 ECF 转运蛋白成为使用选择性化学探针进行抑制的有吸引力的靶标。在此,我们报告了一类有前途的 ECF 转运蛋白抑制剂的鉴定结果。我们对德氏乳杆菌 ECF-FolT2 和 ECF-PanT 进行了粗粒度分子动力学模拟,以分析这种新型化学型的结合模式和抑制机制。结果证实了假定的转运机制,并为进一步的药物发现工作铺平了道路。
我们引入了一种名为 De formable Butterfly (DeBut) 的新型线性变换,它概括了传统的蝴蝶矩阵,可以适应各种输入输出维度。它继承了传统蝴蝶从细粒度到粗粒度的可学习层次结构,当部署到神经网络时,DeBut 层中突出的结构和稀疏性构成了一种新的网络压缩方法。我们将 DeBut 用作标准全连接层和卷积层的直接替代品,并证明了其在均质化神经网络方面的优势,并使其具有轻量级和低推理复杂度等优良特性,同时不影响准确性。DeBut 层的无数变形所带来的自然复杂性-准确性权衡也为分析和实践研究开辟了新的空间。代码和附录可公开获取:https://github.com/ruilin0212/DeBut 。
生物柴油的生产已成为全球努力替代化石燃料的重要组成部分。然而,生物柴油生产中面临的问题之一是甘油产量增加,作为一种产物。甘油或粗甘油(CG)通常是大量生产的,需要明智地管理。本文讨论了生物柴油生产中的甘油作为生物乙醇生产的原料的潜在利用。通过优化发酵过程,基因工程技术和纯化,可以将甘油转化为生物乙醇。生物乙醇是环保的可再生燃料之一。基因工程技术的进步还支持甘油转化为生物乙醇的成功,从而可以发展更有效和生产性的微生物。这为减少浪费,支持资源的可持续性并通过使用甘油作为生物乙醇的原料来减少浪费,支持化石燃料的依赖。将甘油转化为生物乙醇是迈向更可持续和可再生能源的一步。 关键词:生物乙醇,可再生能源,可持续性,基因工程将甘油转化为生物乙醇是迈向更可持续和可再生能源的一步。关键词:生物乙醇,可再生能源,可持续性,基因工程