【摘 要】
：
在原子核中,核子的短程关联起着重要的作用.在核物理研究中,人们经常采用简化的标准对力来说明原子核的对关联现象.虽然标准对力模型能较好描述原子核的基态性质及质量奇偶差现象,但其对于对激发能的描述不够准确.因此,在壳模型平均场理论框架下,进一步研究轨道依赖对力及其对原子核的描述就具有现实意义.本文利用含四条非简并j轨道的可解特殊不可分离对力模型来描述41-51Ca的结合能及奇偶差,双中子分离能及奇偶差
【基金项目】
：
国家自然科学基金项目:含多粒子-空穴激发的壳模型组态混合代数计算方法及其应用,（项目编号:12175097）；
论文部分内容阅读
在原子核中,核子的短程关联起着重要的作用.在核物理研究中,人们经常采用简化的标准对力来说明原子核的对关联现象.虽然标准对力模型能较好描述原子核的基态性质及质量奇偶差现象,但其对于对激发能的描述不够准确.因此,在壳模型平均场理论框架下,进一步研究轨道依赖对力及其对原子核的描述就具有现实意义.本文利用含四条非简并j轨道的可解特殊不可分离对力模型来描述41-51Ca的结合能及奇偶差,双中子分离能及奇偶差,及对激发能,并与标准对力模型的结果及相应的实验数据进行了比较分析.本文的结果显示,在忽略了四极-四极相互作用的前提下,特殊不可分离对力模型不但能准确拟合41-51Ca的结合能及奇偶差,双中子分离能及奇偶差,而且所得出的对激发能的结果明显优于标准对力模型.因此,特殊不可分离对力能更好描述41-51Ca.
其他文献
自从宇宙加速膨胀被发现以来,科学家们便开始寻找宇宙加速膨胀的原因,提出了两类解决方法,第一类是引入一种负压特性的暗能量,第二类是修改宇宙的时空几何部分,即修正引力理论。首先,本文介绍了以下几种暗能量模型,宇宙学常数模型、全息暗能量模型及其相关推广模型,还介绍了常见的f（R）修改引力和Finsler-Randers理论。Finsler几何是传统黎曼几何的一种自然推广,换句话说黎曼几何是Finsler
宇宙观测数据表明,在现阶段宇宙正在加速膨胀,无论在理论方面还是在实验观测方面,宇宙加速膨胀都是宇宙学的前沿问题。多年来,科学家们从修改Einstein场方程的物质与几何项入手,找到了对宇宙加速膨胀现象的两种解释:第一种解释是在宇宙组分中引入压强为负的暗能量,充分利用其排斥引力效应来推动宇宙加速膨胀;第二种解释是修改宇宙的时空几何项,即产生新的引力理论,本文主要介绍的引力理论是Dvali Gabad
在5G和未来6G无线通信系统中,更高的频谱效率、能量效率和传输效率是发展的重要方向。然而最佳二进制序列仅存在长度为4的情况,最佳四进制序列仅存在长度为2、4、8和16的情况,为获得更多可适用于实际通信系统的最优序列,本课题一方面对具有最优相关特性和平衡性的几乎二进制序列对进行研究;另一方面,对最佳四值整数序列的构造方法进行研究。本课题的具体研究工作如下:首先,以序列自相关函数幅值最优为前提,进一步
寻找超出标准模型（SM）的新物理（NP）是目前粒子物理领域的前沿问题之一。作为一种模型无关的寻找NP信号的方案,标准模型有效场论（SMEFT）能更高效地搜索NP信号,因而近年来受到广泛的重视。最近的理论研究表明,对于某些过程,参与的高量纲算符是从量纲为8的算符开始的,其中由中性三次规范耦合（nTGCs）诱发的过程就是这样的例子。所以,研究nTGCs为搜索和研究NP提供了一个独特的机会。本文研究了正
基于语音的身份认证技术是生物识别方法中的一个重要的研究方向。文本无关的说话人识别任务旨在无需固定语音文本内容的情况下,通过说话人的一段语音判决其是否来自目标说话人,实现说话人验证。近年来,随着人工智能技术的发展,基于深度学习的说话人识别方法被广泛研究,已经取得了一些成果,但是在如何提升系统泛化能力、语音帧级特征提取等方面仍存在许多问题值得我们探索。该文围绕基于深度学习的文本无关说话人识别方法进行研
语义分割是高空间分辨率遥感图像分析和理解的核心内容之一。深度学习方法是目前高分辨率遥感图像语义分割的研究热点。本文基于深度学习方法,从三个方面针对高分辨率遥感图像的语义分割问题进行了研究。首先,现有基于深度学习的语义分割网络会导致遥感图像的高频信息损失,边界分割不准确。针对此问题,设计一种双解耦语义分割网络模型,将提取的两级特征分别解耦为具有高频特性的边界（Edge）特征和具有低频特性的主体（Bo
在论文的第一部分,我们简要介绍了加速宇宙学及解释宇宙加速膨胀的通常做法。在论文的第二部分,我们对几种常见的暗能量模型加以简述,并展示了这几种常见的暗能量模型在state finder诊断中的表现。论文的第三部分和第四部分为本人在硕士生期间的主要工作,重点探讨了不同形式下f（R）修改引力理论和GBD修改引力理论中的几何诊断问题。众所周知,一些观测和理论上的动机要求我们对广义相对论（GR）的修改理论进
随着深度学习发展,尤其是生成对抗网络的提出,文本生成图像任务已成为图像生成领域的一个重要研究方向。文本生成图像任务要求提供一段文字描述,并生成符合文本语义的图像结果。文本生成图像方法中存在着网络训练不稳定、生成图像细节真实性与多样性不够等挑战。本文为提高图像生成的真实性与多样性,做了如下工作:首先,为实现稳定的细粒度文本到图像生成,本文提出了注意力与卷积归一化生成对抗网络。方法通过引入注意力机制的