本技术（发明专利号 ZL200910231168.2）公开了一种铜与铝异种金属间的 低温钎焊方法，是在松香酒精有机钎剂的润湿作用下，通过锌基钎料实现了铜 与铝板材的低温钎焊连接。本发明方法具有工艺简单、制造成本低、生产周期 短、能实现批量生产和便于推广应用等优点。采用本发明方法可以获得界面结 合良好的铜与铝钎焊接头，钎焊接头合格率 100%。经试验测试：铜与铝钎焊接 头的剪切强度大于 40MPa，抗拉强度大于 80MPa，能够满足电力设备上对铜与 铝连接接头的各种需求。

 此项研究中，研究团队通过一种活化负载的方式，制得了催化剂颗粒尺度小于3nm的Pt3In有序团簇催化剂。徐虎课题组通过理论计算考虑了不同尺寸和Pt比例的金属间纳米晶体，研究表明通过往铂中掺杂铟原子，可以有效地改变了铂的电子结构，使铂对氧的吸附能力减弱，这样有利于氧还原反应。研究表明，在Pt

本发明公开了一种交变电场弱化煤泥颗粒间水化斥力促进团聚的方法，其特征是：对煤泥水施加交变电场，从而弱化煤泥颗粒间水化斥力以促进煤泥颗粒的团聚。以本发明方法处理煤泥水能够有效降低药剂的耗量及设备的占地面积，降低生产成本，获得的循环水澄清度较高，较好的控制煤泥水外排，绿色环保，减少煤炭资源的流失浪费。

产品详细介绍更多产品及合作咨询请用以下联系方式：1、请回复我要咨询或合作2、拨打热线电话：023—68315688 152234316123、QQ：2082863815 4、微信公众平台：聚知宝其他联系方式：售后服务热线：023—68315696传真：023—68269777E-mail：jubao@cqjubao.net联系地址：重庆市北碚区蔡家岗镇凤栖路15号钢质部分材质说明：（1）★立柱：边立柱72mm×72mm×1.1mm， “扇形管”外圆内方高频焊接封口型材管(见下图)；上下加装工程塑料防护套。立柱顶部拉换：72mm×72mm×1.1mm， “扇形管”外圆内方高频焊接封口型材管，立柱顶部拉换与边立柱采用塑料连接件连接,塑料件采用ABS工程塑料体注塑成型，食用级别PP材料，完全不含重金属,与立柱连接处光滑、平顺、手感好、无毛刺（2）★前床厅：110×40×1.1mm；高频焊接封口型材管（见下图），整体稳固美观。（3）★后床厅：72×32×1.1mm；高频焊接封口型材管，整体稳固美观,后床厅加焊固定板与墙体通过膨胀镙丝固定在墙上。（4）★床厅护栏：护栏主支架：￠38*1.2mm圆管；护栏月型竖支架： 30*15*1.2mm椭圆管，护栏横支架：￠16*1.0mm圆管,安全护栏规格应满足：，文件的要求。（5）★床换：30×20×1.0mm矩管。（6）★爬梯: 采用25×25×1.2mm方管，配冲压防滑踏板。 工艺说明：1、所有金属件采用GB/T3325-2008标准，CO2保护焊，"大西洋"镀铜焊丝，所有焊点均采用满焊，焊接无灰渣、气孔、焊瘤，无脱焊、虚焊、焊穿，保证产品的强度。2、所有焊线打磨平整，保证架体美观。3、金属均为优质碳素钢，表面经打砂、除油、除锈后进行高压恒温静电喷塑。本工艺喷塑温度195-205摄氏度，喷涂均匀，附着力强，耐腐蚀，耐擦挂，耐冲击，防护性能良好。漆膜厚度≥0.06mm；喷塑硬度>0.5，冲击强度>6N/M2。4、板材采用全自动精密电锯下料，保证产品下料精确尺寸。5、硬度：经2H铅笔硬度试验后，漆膜应无刮破、擦伤现象。6、弯曲试验：经轴经2mm漆膜弯曲试验后，漆膜不应出现开裂或从底板上剥离。7、附着力：漆膜划格试验。8、其它各性能应符合GB1720、GB1730、GB1732要求。家具（更衣柜、书桌、书架）A、电脑桌面基材为：专用台面芯板，面贴 “金美佳”可弯防火胶板，前鸭嘴后直边，25mm厚；（书桌深度600㎜）桌面基材选用品牌：“诺欧奇”“瑞丰”“鑫赐”“建涛”B、学习桌立柱：40*30*1.1mm矩管，拉换：40*30*1.0mm矩管。学习桌桌斗采用全钢结构，裸板采用0.6mm冷轧钢板冲压成型，经过静电喷塑后厚度可达到0.75-0.8mm。具有抗冲击、耐老化、耐磨、防火，保证15年不变色等性能。C、更衣柜整体基材采用全钢结构，裸板采用0.6mm冷轧钢板冲压成型，经过静电喷塑后厚度可达到0.75-0.8mm，拉手采用扣手设计。D、床下底柜整体基材采用全钢结构，裸板采用0.6mm冷轧钢板冲压成型，经过静电喷塑后厚度可达到0.75-0.8mm，拉手采用扣手设计。E、★拆装方式：采用单体分片集体包装，便于运输途中不变形,喷塑无死角,方便现场搬运，搬运过程中不易发生碰撞, 包括与前门连接的前门框、顶板、中隔板、底板、前框架、后背板、左侧板、右侧板、多块架板，所述的前门框由门上框、门下框及左右门框焊接成整体结构，且前框架上安装有两块或四块柜门扇板，其特征在于，所述的前框架和后背板的两端均设有凹槽，左侧板和右侧板上有和凹槽相对应的Ｕ型勾，左侧板和右侧板以及后背板的中间和底端有挂板；左侧板和右侧板的Ｕ型勾与前框架和后背板的凹槽相互扣接；顶板与后背板、前框架相互支撑，并由自攻螺钉连接；中隔板、底板与前框架、后背板的挂板相挂接。由于采用了组装式结构，在存储、运输中，可将柜体拆卸后包装，能拆装组合的钢制柜体，所有部件的包装体积只有焊接柜体的１／４，大大节约了运输成本，搬运方便，能有效地减少存放体积，在运输过程中不易产生损坏；并且安装非常方便，而且安装成型后结构稳固，实用性能良好。F、全部板材符合国家环保要求；（2）配件：意大利“迪森”（DESEN）①接件—RS25厚壁，有齿，高啮合力；②铰链—二段力，转动十万次，门扇任意位置定位，不反弹；（带DESEN标识）③抽轨—耐磨，自滑，滚动十万次；（抽轨道为底轨）⑤抽锁—柜门及抽屉挂锁模压配件（材料选用2㎜厚冷杂钢板）；⑥挂衣棒—钢椭圆管，承重80KG，Ø22*1.2㎜椭圆圆管衣棒，不锈钢圆形底座衣托；⑦专用柜门及抽屉挂锁模压配件；⑧鞋架—专用单层。产品执行标准：GB/T 1951.2-1994 《钢家具质量检验与质量评定》GB/T 3325-1995     金属家具通用技术条件GB/T 3328-1997     家具 床类主要尺寸GB/T 1951.1-1994 《木质家具质量检验及质量评定》GB/T 1931-91       木材含水率测定方法GB/T 18584-2001  《室内装饰材料木家具中有害物质限量》GB/T 18580-2001  《室内装饰装修材料人造板及其制品中甲醛释放限量》GB/T 18583-2001  《室内装饰材料胶粘剂中害物质限量》GB/T 18581-2001  《室内装饰材料、溶剂型木器涂料中害物质限量更多产品及合作咨询请用以下联系方式：1、请回复我要咨询或合作2、拨打热线电话：023—68315688 152234316123、QQ：2082863815 4、微信公众平台：聚知宝其他联系方式：售后服务热线：023—68315696传真：023—68269777E-mail：jubao@cqjubao.net联系地址：重庆市北碚区蔡家岗镇凤栖路15号

成果描述：本发明申请要解决的问题是，改进预测技术，提高预测准确度。本专利利用高阶马尔科夫模型的原理提出HM-gMTD模型的一种改进，即高阶HM-gMTD模型，并通过EM算法给出相应的参数估计方法和相应的计算方法，并能够快速进行参数估计，以提高模型预测的准确度。市场前景分析：预测模型的发展在人类的经济生活方面发挥着重要的作用，尤其是马尔科夫模型，几乎在各个领域都有着非常广泛的应用。本发明着重混合转移分布模型与高阶隐马尔科夫模型的巧妙结合，构造出高阶HM-gMTD模型，然后运用EM算法，对新模型实现了主要参数的求解。最后为了衡量一个模型的好坏和对不同的模型进行比较，我们选择准则函数。模型比较的最佳准则函数，既考虑到模型对原始数据的拟合程度，又兼顾模型中所包含的待定参数的个数，并且对二者做出合理的权衡。与同类成果相比的优势分析：本发明主要是针对HM-gMTD模型的进一步改进，提出一个高阶HM-gMTD模型，使其在降低计算的复杂度的同时，提高预测的准确性。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：