30Na2O-2Al2O3-25 SiO2-xCeO2（43-x）B2O3系统中复杂玻璃的微观结构，x的变化范围为0.5至20 mol％。 通过11B NMR和FTIR光谱对高氧化铈含量（≥8 mol％CeO2）的玻璃进行结构测定。 另一方面，几乎没有将29Si MAS NMR实验应用于CeO2> 8 mol％的玻璃。 这是由于铈阳离子引起的顺磁作用引起稀释或延迟了共振现象。 从NMR数据证明，氧化钠足够高以修饰构成玻璃骨架的玻璃形成单元。 二氧化铈以及二氧化硅和B2O3均是玻璃形成物质。 硼四面体单元（N4）分数的降低和硅核的化学位移（δ）的降低都证实了CeO2作为玻璃形成剂的作用。 另一方面，随着CeO2含量（≥8mol％）的进一步增加，N4的快速减少和Si核的化学位移清楚地表明，氧化铈作为网络形成剂的参与能力随其含量的增加而增加。 应用新方法确定CeO4作为玻璃形成单元的比例。 在这种方法中，我们利用11B NMR和FTIR光谱的共同优势来获得Ce4馏分。 后者的种类不能通过NMR光谱确定，因为非常高的弛豫时间和二氧化铈的磁化强度会引起强烈的光谱展宽，从而阻止了共振光谱的出现。

针对原油总氢物性回归预测中核磁共振光谱数据不足的问题,结合深度学习相关理论,提出一种光谱数据扩增预处理方法.根据样本输入和标签的相关系数,在原始样本中加入随机噪声以生成虚拟样本;处理样本数据结构以利于卷积神经网络特征提取,并加入数据冗余改进该结构以进一步提高数据特征提取的完整性;搭建实现原油总氢物性回归预测的卷积神经网络(Regression forecasting convolutional neural network,RF-CNN).实验结果表明,对于总氢物性的回归预测,该数据扩增预处理方法不但可以解决原始数据训练中的过拟合现象,而且相比于传统的偏最小二乘(PLS)回归方法,更具稳定性和精确性.

此 App 绘制耦合图和模拟 (1H) NMR 谱。