【摘 要】
：
试验研究了不同配比的非煅烧磷石膏基复合胶凝材料净浆和砂浆的耐水性,分析了复合胶凝材料中磷石膏用量和侵蚀时间对其耐水性的影响机理。结果表明:非煅烧磷石膏基复合胶凝材料的耐水性与磷石膏用量呈负相关,磷石膏用量越多,净浆和砂浆试件吸水率越大,软化系数越小,静水和动水侵蚀时的质量损失越大,耐水性越差;磷石膏用量相同时,磷石膏基复合胶凝材料砂浆的耐水性整体上优于净浆,其中磷石膏用量为45%的砂浆耐水性最佳,其96 h吸水率为4.36%,软化系数为0.82,动水侵蚀180 h质量损失率为1.60%。合理配比的磷石膏基
【机 构】
：
同济大学先进土木工程材料教育部重点实验室,贵州宏信创达工程检测咨询有限公司
论文部分内容阅读
试验研究了不同配比的非煅烧磷石膏基复合胶凝材料净浆和砂浆的耐水性,分析了复合胶凝材料中磷石膏用量和侵蚀时间对其耐水性的影响机理。结果表明:非煅烧磷石膏基复合胶凝材料的耐水性与磷石膏用量呈负相关,磷石膏用量越多,净浆和砂浆试件吸水率越大,软化系数越小,静水和动水侵蚀时的质量损失越大,耐水性越差;磷石膏用量相同时,磷石膏基复合胶凝材料砂浆的耐水性整体上优于净浆,其中磷石膏用量为45%的砂浆耐水性最佳,其96 h吸水率为4.36%,软化系数为0.82,动水侵蚀180 h质量损失率为1.60%。合理配比的磷石膏基
其他文献
微信、QQ和钉钉等社交媒体都提供多对多聊天群组功能,这些聊天群组包含海量信息,对群组聊天内容进行有效分析,获取有价值的关联信息,是当前领域的研究热点。群组中用户间交互是群组实现的主要功能,用户间消息回复是用户间交互实现的方式,消息间的回复行为下隐藏着消息间和用户间的关系。群组消息间回复通常是隐式和非连续的,大部分群组消息间没有指定明确的回复关系,当前消息也不一定是上一条临近消息的回复,回复关系要根据具体的聊天场景确定。当消息间没有显示指定回复关系时,回复不易于分析和理解群组聊天内容,阻碍了对群组聊天内容的
近些年来,随着互联网的迅速发展,用户在各种在线平台上接收到海量的信息,信息爆炸成为一个关键性问题。在此背景下,推荐系统逐步渗透到人们工作生活的各个场景,已成为不可或缺的一环。它不仅可以帮助用户快速获得想要的信息和服务,还可以提高资源利用效率,从而给企业带来更多效益。因此,个性化推荐算法不仅获得了工业界广泛的关注,也是科研领域的研究热点之一。在个性化推荐的研究中,受限于平台与效率等因素,研究者大多无法将算法部署到在线系统上进行评价,因此离线评价成为推荐领域研究的主要方式。然而个性化推荐涉及到的场景复杂,可获
过去基于学习用户和物品的表征向量的推荐系统算法在大规模数据中取得了较好的结果。相比早期经典的基于矩阵分解(matrix factorization,MF)的推荐算法,近几年流行的基于深度学习的方法,在稀疏的数据集中具有更好的泛化能力。但许多方法只考虑了二维的评分矩阵信息,或者简单的对各种属性做嵌入表征,而忽略了各种属性之间的内部关系。异构信息网络(heterogeneous information network,HIN)相比同构网络能够存储更加丰富的语义特征。近几年结合异构信息网络与深度学习的推荐系统,
随着电子设备的耗电量和发热量不断增加,这对于热管理材料的散热性能提出了更高的要求。石墨烯已被广泛用作导热填料以提高聚合物的导热性。然而,石墨烯纳米片在聚合物中的分散性差,极大地限制了其在热管理中的实际应用。构建相互连接的三维石墨烯网络是提高聚合物复合材料的导热性的一个有效策略。本综述总结了最近三维石墨烯基导热聚合物复合材料(3D GPCs)的构建和应用方面的研究进展。此外,还总结了提高3D GPCs导热系数的方法。最后,提出了对于当前3D GPCs的挑战和展望。
推荐系统利用用户的历史记录、物品的基础信息等数据进行建模来捕获用户的偏好,有效缓解了信息过载等问题,虽然其已应用广泛,但整个推荐领域面临的挑战却依旧存在,其中数据稀疏这一问题对于推荐性能有举足轻重的影响。近年来,大量研究表明基于社交信息的推荐算法能够有效缓解数据稀疏问题,但它们也仍然存在一定的局限。线上的社交网络是非常稀疏的,并且线上社交网络中的“朋友”通常包括同学、同事、亲戚等,因此,拥有显式朋友关系的用户不一定拥有相似的偏好,即直接利用显式朋友的兴趣偏好进行推荐会存在噪声问题。此外,大部分基于隐式反馈
随着电子商务的兴起,用户在网购的同时留下了大量的评论。用户评论通常包含丰富的用户兴趣和项目属性等语义信息,反应了用户对项目特征的偏好。近年来,许多基于深度学习的方法通过利用评论进行推荐,并取得了巨大成功。这些工作主要是采用注意机制来识别对评分预测很重要的词或方面。它们单一的从评论中提取特征信息,并通过用户和物品的特征交互得到预测分数。然而,过度的聚合可能会导致评论中细粒度信息的丢失。此外,现有的模型要么忽略了用户和项目评论的相关性,要么只在单个粒度上构建评论特性交互,这导致用户和项目的特征信息不能被有效而
可解释性能够提高用户对推荐系统的信任度并且提升推荐系统的说服力和透明性,因此有许多工作都致力于实现推荐系统的可解释性。由于评论中包含了丰富的信息,能够体现用户偏好与情感信息,同时包含了对应商品所具有的特性,最近的一些基于评论的深度推荐系统有效地提高了推荐系统的可解释性。这些基于评论的深度推荐系统中内置的注意力机制能够从对应的评论中识别出有用的语义单元(例如词、属性或者评论),而推荐系统通过这些高权重的语义单元做出决策,从而增强推荐系统的可解释性。但可解释性在很多工作中仅作为一个辅助性的子任务,只在一些案例
将环氧树脂(EP)分别涂敷于聚酰亚胺石墨带(GPTs)和聚酰亚胺石墨膜(GPFs),通过真空热压成型与分别采用堆叠和叠层方法制备得到GPTs/EP复合材料和GPFs/EP复合材料。借助XRD、SEM和PLM等手段对GPF及其环氧树脂基复合材料的晶体结构、形貌和光学织构进行表征,并研究GPF的体积分数和尺寸对其复合材料导热性能的影响。结果表明,相比于GPFs/EP复合材料,GPTs/EP复合材料的导热性能在不同方向显示出较大波动,其热导率和热扩散系数总体上随GPF体积分数的增加而增大,GPF体积分数为80%
由于石墨烯具有优异的导热与导电性能,已被认为是最理想的散热材料之一,受到学术界与产业界的广泛关注。在本综述中,我们总结了石墨烯薄膜在热管理领域的研究现状,介绍了还原氧化石墨烯薄膜,机械剥离石墨烯薄膜以及石墨烯基复合薄膜的制备及其应用性能。进一步地,对石墨烯薄膜在导热、导电应用过程中的关键因素进行分析,总结石墨烯薄膜在散热领域未来实现产业化应用所面临的挑战。
随着互联网和信息计算的飞速发展,衍生了海量数据,我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难,信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用,该方法通过研究用户的兴趣偏好进行个性化计算,由系统发现用户兴趣进而引导用户发现自己的信息需求。目前,推荐系统已经成为产业界和学术界关注、研究的热点问题,应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤