مجله علوم دانشگاه تهران
سال:1383 | دوره:30 | شماره:1 |تعداد مقالات:13

ابتدا ترکیب سرب PbCO3 در این آزمایشگاه تهیه گردید و بوسیله روشهای متداول مانند XRD مورد شناسایی قرار گرفت. با بکارگیری روش Thermogravimetry Analysis (TGA) به مطالعه رفتارهای گرمایی این ماده پرداخته و نشان دادیم که ترکیب فوق در دمای 600 درجه سانتیگراد کاملا به ترکیبات α-PbO و β-PbO تبدیل می گردد.این آزمایشات همچنین بر روی ترکیب کربنات سرب قلیایی  (3PbCO3.2Pb(OH)2)انجام گردید و نشان داد که این ترکیب در دمای c° 330 درجه سانتیگراد به اکسید سرب تجزیه می گردد. مطالعه دانه بندی ترکیب  PbCO3با میکروسکوپ الکترونی با بزرگنمایی 2500 انجام شد.

از مشکلات مهم موجود در صنعت، مسئله خوردگی و رسوبگذاری در سیستمهای خنک کننده می باشد. راه جلوگیری از آن استفاده از بازدارنده ها می باشد و یکی از مواد بازدارنده مهم HEDP می باشد. این ماده کاربردهای بسیار زیادی در صنعت دارد که عبارتند از: (1) کنترل کننده رسوبگذاری در سیستمهای آبی، (2) بازدارنده خوردگی و رسوبگذاری در برجهای خنک کننده، (3) پیش تغلیظ کننده و جداکننده کارآمد آکتنیدها از نمونه های رسوبی، (4) داروی مصرفی در درمان  Osteoporosis، (5) بازدارنده تشکیل رسوبات معدنی کریستالی درون آوندهای گیاهی، (6) یکی از عوامل حامل انتخابی میکروالمنت آهن به گیاه در حضور کلسیم و منیزیم.در این تحقیق ابتدا کلیه روشهای سنتزHEDP  مورد مطالعه قرار گرفته و از میان آنها با توجه به معیارهایی چون مواد اولیه ارزان و قابل دسترس در داخل کشور، راندمان واکنش و تعداد مراحل انجام واکنش بهترین روش سنتز با استفاده از مواد اولیه استیک اسید، فسفروتری کلرید، آب، سود  40%، اتانول یا متانول انتخاب شده است و ماده سنتزی توسط روشهای IR،HNMR  و آنالیز عنصری شناسایی گردید و بررسیهای سینتیکی جهت بهینه سازی آن از نظر نسبت استوکیومتری، دما، زمان و سرعت افزایش واکنشگرها جهت حصول راندمان 98% صورت گرفت.

برای مطالعه رفتار پدیده های فیزیکی معمولا آنها را توسط معادلات دیفرانسیل مدلسازی می کنند. در بسیاری از این پدیده ها عواملی تصادفی دخالت دارند که باعث می شود تا این مدلسازی توسط معادلات دیفرانسیل تصادفی صورت گیرد. این عوامل تصادفی اغلب به شکل نوفه سفید ظاهر می گردد. برای بررسی این معادلات معمولا آنها را به شکل انتگرالی بیان می کنیم. اما جمله انتگرالی مربوط به نوفه سفید با انتگرالهای ریمان و لبگ قابل محاسبه نمی باشد. برای رفع این مشکل نیاز به انتگرال ایتو می باشد. مسلما تعداد زیادی از معادلات فوق حل تحلیلی ندارند و ناگزیر به استفاده از روشهای عددی برای حل آنها می باشیم. در این مقاله سعی داریم تا با معرفی روشهای تقریبی اویلر- ماریاما و میلشتاین مسیر واقعی و تقریبی جواب را برای یک معادله از نوع فوق بررسی کنیم. چون فرآیند جواب این دسته از معادلات شامل فرآیند وینر می باشد و به شکل تابع مشخصی از زمان موجود نیست، مجبوریم مسیر جواب آنها را شبیه سازی کنیم. برای این کار نیاز به تولید اعداد تصادفی است و برای این منظور از مولدهای تولید اعداد شبیه- تصادفی استفاده می کنیم.

مدل حاشیه ای(Marginal model)  یکی از رهیافتهایی است که برای تحلیل داده های طولی(Longitudinal data)  به کار می رود. در این مدل، همبستگی موجود بین پاسخها برای هر آزمودنی(Individual)  به عنوان پارامتر در نظر گرفته می شود تا تحلیلهای معتبری را نتیجه دهد. مدلهای حاشیه ای مختلفی که برای تحلیل داده های طولی با پاسخهای دودویی ذکر شده اند از جمله مدلهای حاشیه ای با لگ نسبت بخت حاشیه ای(Marginal odds ratio) ، لگ نسبت بخت شرطی(Conditional) ، لگ نسبت وابستگی(Dependence ratio) ، مدل پروبیت چند متغیره(Multivariate probit model)  و روش معادلات برآوردگر تعمیم یافته[Generalized Estimating Equations (GEE)]  مرور و مقایسه شده اند. مانده هایی برای بررسی نیکویی برازش این مدلها معرفی گردیده است. همچنین مدلهای ذکر شده را در مثالی کاربردی برازش داده ایم.

در این مقاله به دوره برخی از روشهای اصلی تعیین اندازه نمونه از دیدگاه بیزی می پردازیم. تلاش شده که هیچ یک از تکنینکهای اصلی و کلیدی از قلم نیفتد. دو زمینه اصلی این دیدگاه عبارتند از زمینه بیز استنباطی و زمینه کاملا بیزی. در زمینه بیز استنباطی ما غالبا درگیر استنباط راجع به پارامتر مجهول و مورد علاقه مان در جمعیت هستیم و اندازه نمونه را با استفاده از پارامترهای چگالی پسین به دست می آوریم. حال آنکه در زمینه کاملا بیزی، مسئله اندازه نمونه را با بکارگیری تابع زیان مناسبی به یک مسئله تصمیم گیری تبدیل کردن تابع هدفی اندازه نمونه را به دست می آوریم.

یکی از روشهای ناپارامتری متداول برای برآورد تابع چگالی احتمال روش هسته ای است و در سالهای اخیر استفاده از B- اسپلاین ها برای برآورد تابع چگالی احتمال مطرح شده است. هر یک از این دو روش به نوعی به پارامتر نامعلوم همواری بستگی دارند که مقدار آن در میزان همواری و دقت برآوردگرهای حاصل تاثیر به سزایی دارد. در این مقاله روشهای برآورد تابع چگالی احتمال با استفاده از توابع هسته ای وB –اسپلاین ها ارائه و نحوه انتخاب پارامترهای همواری برای هر دو روش مطرح و میران دقت برآوردگرهای حاصل بر اساس معیار میانگین انتگرال مربعات خطا و همچنین تاثیر تعداد و میزان پراکندگی داده ها در دقت دو روش مورد مطالعه قرار گرفته است. نتایج نشانگر آن هستند که افزایش پراکندگی داده هایی که از توزیع متقارن پیروی می کنند موجب کاهش دقت هر دو برآوردگر می شود. در حالیکه این امر برای داده هایی که از توزیعی غیر متقارن پیروی می کنند برعکس موجب بهبود دقت برآوردگرهای هر دو روش می گردد.

تاکنون در حل معادلات جریان گاز در داخل روتور سانتریفوژ، تحلیلها و مدل سازیهای بسیاز زیادی انجام گرفته شده است. در هر حل، تقریب و خطاهایی وجود دارد. در این مقاله سعی شده است مدل(Gunzburger, et al., 1989) onsager’s  از روش مقادیر ویژه برای مقادیر حقیقی آن با استفاده از نرم افزار  Mathematicaتحلیل گردد.

فرض کنید G یک گروه متناهی و NG نشان دهنده مجموعه تمام زیر گروههای نرمال سره و غیر بدیهی G باشد. یک عضو K از NG  را -n تجزیه پذیر گوییم. هرگاه K اجتماع n کلاس تزویج متمایز از G باشد G .را n- تجزیه پذیر نامیم. هرگاه NG‎ ¹ f و هر عضو NG ،- n تجزیه پذیر باشد.در این مقاله ساختار گروههای متناوبی n- تجزیه پذیر را برای n≤6 بررسی کرده و این گروهها را در کلاس گروههای متناوبی غیر کامل رده بندی می کنیم.

فرض کنید G=AB حاصلضرب دو گروه A و B باشد. در این مقاله نشان می دهیم که اگر A و B دو گروه تقریبا مرکزی باشند. آنگاه G تقریبا حل پذیر است. یادآور می شود که در سال 1981، چرنیکف (Cernikov) در مقاله ای بسیار فشرده اثباتی برای آن آورده است. ولی اثباتی که ما در اینجا ارائه می دهیم با آنچه که وی بیان کرده کاملا متفاوت و قابل استفاده برای عموم علاقمندان خواهد بود.

یکی از موضوعات مهم در تحلیل داده های فضایی، پیشگویی مقدار نامعلوم یک میدان تصادفی موقعیتهای مشخص بر اساس بردار مشاهدات است. اگر میدان تصافی مورد نظر گاوسی با ساختار میانگین و کوواریانس پارامتری باشد. پیشگویی بهینه و میانگین مجذور خطای آن قابل محاسبه است. اما در عمل با موارد زیادی مواجه می شویم که مشاهدات از مدل گاوسی تبعیت نمی کنند. در اینگونه موارد اگر تبدیلی غیر خطی از میدان تصادفی، گاوسی باشد پیشگویی فضایی امکانپذیر می گردد. اما اگر تبدیل نامعلوم باشد، می توان آنرا متعلق به یک خانواده از تبدیلات پارامتری دانست. در اینصورت پیشگویی فضایی علاوه بر پارامترهای مدل به پارامتر تبدیل نیز وابسته خواهد شد و معمولا برآوردهای حداکثر درست نمایی آنها تعیین و در پیشگوی بهینه جایگذاری می شود. اما این کار موجب تردید در بهینگی پیشگویی حاصل خواهد شد. از طرف دیگر، معمولا تعیین میانگین مجذور خطای این پیشگو یا حتی ارائه تقریب مناسبی برای آن بسیار دشوار یا نشدنی است. لذا در این مقاله برای فائق آمدن بر این مسائل، رهیافت بیزی اتخاذ گردیده و با فرض آنکه پارامترهای مدل و تبدیل متغیرهایی تصادفی هستند. پیشگوی بهینه و میانگین مجذور آن تعیین می شوند و نحوه اجرای این تکنیک در یک مثال کاربردی ارائه خواهد شد.

در مطالعه عمیق روی توزیع زاویه ای پاره های شکاف در واکنش یون سنگین ناهمسانگردی های زیادی دیده شده است. این ناهمسانگردی ها را می توان توسط نظریه استاندارد آماری(Transition Statistical State Model) (TSM)  توضیح داد (Rossner, 1986) . علت وجود این ناهمسانگردی ها را می توان به مقادیر اسپین بالا یا Z2/A هسته شکاف پذیر نسبت داد. برای ناهمسانگردی های بیشتر می توان از مدل آماری انقطاع(SSM) استفاده کرد. در این مدل توزیع تصویر اسپین در امتداد راستای شکاف می تواند گوسی شکل و با واریانس  S20باشد. در این مدل S20به دست آمده از تئوریهای وابسته به SSM با S2 0بدست آمده از برازش داده های تجربی به ازای پارامترهای چگالی تراز مختلفLDP  و انرژیهای تغییر شکل مختلف با هم مقایسه شده اند. در این تحقیق از مدل SSM برای مطالعه توزیع زاویه ای پاره های شکافت القایی حاصل از واکنشهای 16O(94Mev)+237NP 16O(88Mev)+232Th, 12C(79Mev)+232Th, 12C(72Mev)+237Np,10B(60Mev), 10B(64Mev)+237Np استفاده شده و نتیجه گیری شده است که مدل SSM در مورد این واکنش ها کارآیی خوبی دارد. همچنین با استفاده از این مدل نسبت ممان اینرسی کروی به ممان اینرسی موثر محاسبه شده اند که توافق خوبی با مقادیر به دست آمده از مدل قطره مایع دارند و این نشان می دهد که مدل SSM یک مدل فیزیکی است.