离子液晶聚合物（Ionic Liquid Crystal Polymers，简称ILCPs）是一类特殊的大分子结构，它们既带有液晶基团又含有离子种类，因而在聚合物化学和材料科学领域引起了极大的兴趣。这类聚合物结合了静电相互作用和液晶排序效应，具有优异的机械性能、流变加工性、压电性能和光学可变性。本文中，翁亮和谢鹤楼等人介绍了通过“甲壳型”效应（Jacketing Effect）成功设计并合成了具有咪唑环离子和不同反离子（Xˉ=Brˉ、BF4ˉ、PF6ˉ和TFSIˉ）的新型ILCPs，其分子式为poly(2,5-bis{[4-(4-butoxy-4´-imidazoliumbiphenyl)butyl]oxycarbonyl}styrene salts)，简称poly(BImBBCS-X)。研究利用核磁共振(NMR)和傅里叶变换红外光谱(FT-IR)对所合成的聚合物的化学结构进行了确认。 热重分析(TGA)结果表明，反离子的性质对于ILCPs的热稳定性有重要影响。通过差示扫描量热法(DSC)和偏光显微镜(PLM)的研究，考察了聚合物的相转变和液晶行为。研究发现，除了poly(BImBBCS-TFSI)之外，其他ILCPs能够形成液晶有序结构，这是由于离子间强烈的相互作用。对于poly(BImBBCS-TFSI)，大体积的TFSIˉ离子破坏了液晶有序结构的堆积，表明离子的插入对液晶有序结构的构建具有重要影响。 本文的关键词还包括“甲壳型”效应和液晶行为。在介绍中，ILCPs作为一类含有液晶基团和离子种类的特殊大分子体系，在聚合物化学和材料科学领域备受关注。通常，ILCPs中的离子相互作用倾向于非方向性地形成离子团簇，这有助于构建稳定的液晶有序结构，但某些大体积反离子的存在可能破坏这一有序结构。 ILCPs的设计与合成是研究的重点，通过分子设计策略将液晶基团和离子基团引入聚合物链中。由于离子间存在的静电相互作用，ILCPs在材料科学中有着广泛的应用，特别是在需要特殊性能的领域。ILCPs的合成方法多种多样，但本文特别强调了基于“甲壳型”效应的自由基聚合方法。 “甲壳型”效应是指在聚合物链的外围包裹一层离子，以形成离子簇，进而影响材料的性能。在ILCPs中，这种效应能够通过静电相互作用来控制液晶分子的排列，从而赋予材料特定的液晶行为。这种效应对于材料的宏观性能，如热稳定性、液晶性态和机械性能等，具有决定性的影响。 研究的ILCPs结构中，具有咪唑环的离子基团和不同的反离子类型对ILCPs的结构与性质有着直接影响。例如，反离子的体积大小和电荷分布会改变材料的微观结构，进一步影响到材料的液晶性和热稳定性。研究表明，小体积的反离子如Brˉ、BF4ˉ和PF6ˉ有助于稳定液晶有序结构，而大体积的TFSIˉ则可能破坏这种有序性。 在ILCPs的研究中，NMR和FT-IR是两种重要的分析手段。NMR用于表征聚合物中各组分的化学环境和相对比例，FT-IR则用于表征聚合物中官能团的存在与类型。这两种技术联合使用，可以对ILCPs的结构进行准确的确认。 在液晶聚合物的研究中，DSC和PLM是两种常用的实验方法来探究材料的相转变和液晶行为。DSC实验可以测定材料在加热或冷却过程中热量的变化，从而确定相转变温度和热稳定性。PLM则利用偏振光的特性来观察液晶相态的光学特征，有助于直接观察材料在不同温度下的液晶行为。 本文的研究结果对于理解和设计新型功能材料具有重要的指导意义，特别是在液晶和离子材料领域。通过细致的设计和合成策略，可以得到性能优异的液晶聚合物材料，这对于高技术应用具有重要意义。

含缺电子3-硝基-1,2,4-三氮唑侧链的新型聚合物的合成及其光伏性能研究，李新炜，赵斌，通过铂催化剂催化的Suzuki 偶联和Stille偶联的聚合方法，我们合成了三种基于噻吩、芴、苯并[1,2-b:4,5-b']二噻吩与含3-硝基-1,2,4-三氮唑侧链

在石油工程领域，储层属性的准确预测是关键任务之一，因为这些属性直接影响着油田的开发效果和经济效益。本文将探讨如何运用深度学习技术，特别是神经网络，来预测储层的孔隙度（Porosity）和含水饱和度（Water Saturation）。孔隙度反映了储层岩石中储存流体的空间比例，而含水饱和度则表示储层中被水占据的孔隙空间的百分比。 我们需要理解神经网络的基本概念。神经网络是一种模仿人脑神经元结构的计算模型，由大量的节点（称为神经元）和连接它们的权重构成。神经网络通过学习过程调整这些权重，以解决复杂问题，如非线性关系的建模。在本案例中，神经网络将从测井数据中学习并建立储层属性与输入特征之间的复杂关系。 Lasso回归是一种常用的统计学方法，它在训练模型时引入了L1正则化，目的是减少模型中的非重要特征，从而实现特征选择。在神经网络中，Lasso正则化可以防止过拟合，提高模型的泛化能力。过拟合是指模型在训练数据上表现良好，但在未见过的数据上表现较差的现象。通过正则化，我们可以找到一个平衡点，使模型既能捕获数据的主要模式，又不会过于复杂。 在预测储层属性的过程中，数据预处理是至关重要的步骤。这包括异常值检测、缺失值填充、数据标准化或归一化等。数据标准化可以使不同尺度的特征具有可比性，有助于神经网络的学习。此外，特征工程也很关键，可能需要创建新的特征或对已有特征进行变换，以增强模型的预测能力。 接着，我们将构建神经网络模型。这通常涉及选择网络架构，包括输入层、隐藏层和输出层。隐藏层的数量和每个层的神经元数量是超参数，需要通过实验或网格搜索来确定。激活函数如Sigmoid、ReLU（Rectified Linear Unit）等用于引入非线性，使模型能够处理复杂的关系。损失函数，如均方误差（MSE）或均方根误差（RMSE），用于衡量模型预测结果与真实值之间的差异。优化器如梯度下降或Adam（Adaptive Moment Estimation）负责更新权重，以最小化损失函数。 在训练过程中，我们通常会将数据集分为训练集、验证集和测试集。训练集用于训练模型，验证集用于调整超参数和防止过拟合，测试集则在模型最终评估时使用。通过监控验证集的性能，我们可以决定何时停止训练，避免模型过拟合。 模型的评估标准可能包括精度、R²分数、平均绝对误差（MAE）和均方误差。对于储层属性预测，我们期望模型能给出高精度和低误差，以帮助工程师做出更准确的决策。 利用神经网络和Lasso正则化的深度学习方法可以有效地预测储层的孔隙度和含水饱和度。这一技术的应用可以提高石油资源的开发效率，减少勘探成本，并为未来的油气田管理提供有力的科学支持。通过不断优化模型和特征工程，我们有望实现更加精准的储层属性预测。

gradle.properties

OPAC introduction website: https://geisa.aeris-data.fr/opac/

属性(Properties) QObject有getter和setter函数属性 命名策略: color, setColor 对于布尔: isEnabled, setEnabled class QLabel : public QFrame { Q_OBJECT Q_PROPERTY(QString text READ text WRITE setText) public: QString text() const; public slots: void setText(const QString &); }; Setter, 返回空, 将值当成唯一参数 Getter, 常量,返回值, 没有参数 * 一个通用特性是Qt属性系统。如果你已经看过QtCreator的Designer部分，你大概已经不知觉间用到它了。这样你就有每个类可以轻易使用的属性的列表了。 属性由getter和setter函数实现，所以实际值作为私有成员存储。 以下为约定俗成： Getter在属性（不是get前缀）后面命名，或对于布尔则附带is前缀。 Setter以set前缀命名。 然后这一对函数利用Q_PROPERTY宏制而转化成一个Qt属性（参数：type，name，“READ”，getter，“WRITE”，setter） 待续

B掺杂Co2FeSi材料磁性的第一原理研究，徐晓光，张德林，本文采用第一原理计算的方法对B掺杂Co2FeSi半金属Heusler合金材料进行了研究，预言了一种新的半金属材料。研究发现Co2FeSi1-xBx的晶胞参数

稀土离子在1-丁基-3-甲基咪唑溴盐离子液体中的循环伏安和热动力学性质，杨晓，何玲，离子液体由于其独特的物理化学性质被广泛的用于电解质溶剂。同时近些年对于稀土元素纯度的要求越来越高，它们之间的选择性分离对

主要介绍了基于Properties实现配置数据库驱动,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

Effects of cerium on the microstructure and mechanical properties of Mg-16Zn-6Al magnesium alloy，刘旭东，宋立华，Mg-16Zn-6Al-xCe(x=0-1.2) alloy was prepared by metal mould casting method. Effects of Ce on the microstructure and mechanical properties of the alloys have been investigated. Micro