Indian Institute of Technology Patna

该研究以多层感知机回归器（MLPR）为基础模型、随机委员会（RC-MLPR）为混合机器学习模型，利用从既有文献收集的五个异质数据集（覆盖较宽的水力与泥沙条件范围）来预测自动冲洗排水系统中的颗粒弗劳德数（PFr），并采用包括一致性指数在内的多种性能指标进行评估，结果显示RC-MLPR优于其他所提机器学习模型、现有先进机器学习模型以及既有经验公式，敏感性分析进一步表明体积泥沙浓度（Csed）是混合RC-MLPR模型预测PFr时最敏感的变量。

该研究以多层感知机回归器（MLPR）为基础模型、随机委员会（RC-MLPR）为混合机器学习模型，利用从既有文献收集的五个异质数据集（覆盖较宽的水力与泥沙条件范围）来预测自动冲洗排水系统中的颗粒弗劳德数（PFr），并采用包括一致性指数在内的多种性能指标进行评估，结果显示RC-MLPR优于其他所提机器学习模型、现有先进机器学习模型以及既有经验公式，敏感性分析进一步表明体积泥沙浓度（Csed）是混合RC-MLPR模型预测PFr时最敏感的变量。

该研究在30 °C下用张力测定、动态光散射、小角中子散射以及稳态与时间分辨荧光光谱，系统考察了四种Gemini表面活性剂（8-4-8、10-4-10、12-4-12、10-8-10）在100 mM浓度下、加与不加100 mM NaBr或NaSal时的界面行为、胶束自组装以及染料Merocyanine 540（MC540）的光物理响应，发现烷基链越长CMC越低（约55.4 mM降至约1.2 mM）、胶束越大且聚集数越高（13增至39），间隔基由4增至8个碳使胶束变小（D_h约2.6 nm降至约1.1 nm），NaBr通过静电屏蔽使胶束溶胀（D_h约4.8 nm），NaSal通过特异性反离子结合使胶束显著伸长（D_h

该研究在30 °C下用张力测定、动态光散射、小角中子散射以及稳态与时间分辨荧光光谱，系统考察了四种Gemini表面活性剂（8-4-8、10-4-10、12-4-12、10-8-10）在100 mM浓度下、加与不加100 mM NaBr或NaSal时的界面行为、胶束自组装以及染料Merocyanine 540（MC540）的光物理响应，发现烷基链越长CMC越低（约55.4 mM降至约1.2 mM）、胶束越大且聚集数越高（13增至39），间隔基由4增至8个碳使胶束变小（D_h约2.6 nm降至约1.1 nm），NaBr通过静电屏蔽使胶束溶胀（D_h约4.8 nm），NaSal通过特异性反离子结合使胶束显著伸长（D_h