为加速多组分瓦斯水合化进程,利用可视化水合物实验设备,开展了3种瓦斯混合气在0.5%~3.5%NaCl溶液条件下成核动力学实验,运用直接观测法测定了水合物成核广义诱导时间。结果表明:多组分瓦斯水合物成核诱导时间随瓦斯组分中CH4浓度降低,C3H8浓度升高先减小后增大;添加NaCl可促进瓦斯水合成核,诱导时间随NaCl浓度增大而减小,NaCl浓度为3.5%时,诱导时间最短。基于水合物成核成簇模型和离子电离平衡理论,分析发现:多组分瓦斯中CH4与C3H8浓度的变化,一方面减少水合物生成过程中配位数转变,降低活化能而缩短诱导时间,另一方面生成"篮球-HSII"竞争结构而延缓水合物生成;NaCl电离出的Na+和Cl-分别以[Na(H2O)m]+和[Cl(H2O)n]-形式存在,促使瓦斯水合物前驱体尽快形成,从而促进瓦斯水合物成核。

平均故障间隔时间是一个衡量可靠性的术语，它在许多行业中被随意使用，在某些行业中甚至被滥用。随着时间的推移，此术语的原意发生了变化，给人们造成了混淆，并对此术语产生了怀疑态度。MTBF主要基于一些假设以及对故障所下的定义，因此注意这些细节对于正确解释这个术语至关重要。本白皮书说明MTBF隐含的复杂性以及人们对它的种种误解，并介绍了估计MTBF时可以使用的方法。

易语言网络猜拳游戏源码,网络猜拳游戏,取时间1,石头拼,剪刀拼,布拼

基于贝叶斯优化长短期记忆网络(bayes-LSTM)的时间序列预测，matlab代码，要求2019及以上版本。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

MATLAB开发的LSTM深度学习网络来预测时间序列的工具箱-支持单时间序列和多元时间序列的预测

18第18章 时间序列分析(Python 程序及数据).zip

支持NS1068X主控硬盘盒的固件更新以及休眠时间修改，保护移动硬盘

粒子群算法(PSO)优化极限梯度提升树XGBoost时间序列预测，PSO-XGBoost时间序列预测模型，单列数据输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

内容概要：通过数据集电力变压器油温数据详细的介绍双向LSTM，以及其机制，运行原理，以及如何横向搭配单向的LSTM进行回归问题的解决。 所需数据：在本次的模型所需的数据是电力变压器油温数据，由国家电网提供，该数据集是来自中国同一个省的两个不同县的变压器数据，时间跨度为2年，原始数据每分钟记录一次（用 m 标记），每个数据集包含2年 * 365天 * 24小时 * 60分钟 = 1,051,200数据点。 每个数据点均包含8维特征，包括数据点记录日期，预测目标值OT(oil temperature)和6个不同类型功率负载特征。 适合人群：时间序列和深度学习初学者本文的模型比较简单，易于理解。 阅读建议：可以大致阅读以下，本文件只是一个简单实现版本，并不复杂。 能学到什么：能够从本文件当中读懂深度学习的代码实现过程，对于时间序列有一个简单的了解， (PS:如果你使用你自己的数据进行预测需要将时间列和官方数据集保持一致，因为在数据处理部分我添加了一部分特征工程操作，提取了一些时间信息,因为LSTM不支持时间格式的数据输入,需要转化为数字) 如果大家不懂的地方可以看我的文章部分有详细的讲解。

C#读取Win7和Server2008的计划任务日志，C#读取每天的开关机时间，C#读写windows日志，环境VS2010