以不同组成和结构的高炉矿渣作为研究对象,借助XRD、ICP-MS以及29Si MAS NMR等微观测试手段,探究了高炉矿渣在碱性环境中的离子溶出特性、硅氧四面体聚合状态随水化龄期变化的影响规律。研究表明:高炉矿渣中玻璃体的活性受其化学组成和...
详细信息
以不同组成和结构的高炉矿渣作为研究对象,借助XRD、ICP-MS以及29Si MAS NMR等微观测试手段,探究了高炉矿渣在碱性环境中的离子溶出特性、硅氧四面体聚合状态随水化龄期变化的影响规律。研究表明:高炉矿渣中玻璃体的活性受其化学组成和结晶相含量影响,结晶相及铝氧结构单元的存在和增多降低了玻璃体结构的聚合度;网络改性剂在玻璃体结构中表现为不均匀分布,不同网络形成体结构单元的水解会伴随不同的水化特性;在碱性环境下,高炉矿渣玻璃体结构中硅氧四面体含量较大时,其硅氧结构更易被破坏,溶液中硅离子的浓度较高,溶液pH值维持在较低水平,生成的水化产物中高聚态硅氧四面体较多;高炉矿渣玻璃体结构中铝氧四面体含量较大时,其铝氧结构更易被破坏,溶液中铝离子及钙离子的浓度较高,液相pH值维持在较高水平,生成的水化产物中高聚态硅氧四面体较少。
传统眼动模型基于心理学假设和经验数据构建,不能对未见文本数据进行预测,且不能解决阅读个体化差异问题。针对这一问题,该文提出了一种利用深度神经网络预测读者注视点的眼动模型。与传统基于心理学的眼动模型不同,该模型不是基于经验数据集,而是基于双向长短期记忆-条件随机场(bi-directional long short-term memory-conditional random field,bi-LSTM-CRF)神经网络。该模型使用阅读过程中读者的眼球运动数据作为训练数据,来预测该读者阅读其他文本时的注视点。计算机模拟结果表明:bi-LSTM-CRF模型能够使用较少的数据特征获得与现有机器学习模型相似的预测准确度,这使所提出的模型在实时人机交互应用领域具有吸引力。
暂无评论