反应工程中转化率、产率、收率、选择性如何从色谱计算

关于转化率，选择性等计算，首先要选取关键组分
然后就根据关键组分为基准，计算时通过原子守恒都折算到关于关键组分的“生成或消耗”，来计算百分率
产率和收率有不同的定义，其目的无非是为了方便计算和比较运用。
你说的那个abcd， b的选择性是有问题的，比如说abcd分别含有1-4个碳原子，以1个碳为基准，bcd都要折算到一个碳后才能计算选择性
追风少年996
(站内联系TA)
气相色谱给的都是质量分数，产率和选择性是摩尔比的概念，要从色谱给出的数据得到选择性和产率的数据，中间必须有相对分子质量的换算~~~
追风少年996
(站内联系TA)
你所说那个的选择性，首先B\C\D不是生成A的反应所产生的，而是其他平行反应或者连续反应得到的；如果B\C\D是在生成A的反应中产生的，那么A的选择性和B\C\D没有关系的mshuai(站内联系TA)
产率和收率有啥不同？xiaodoudou(站内联系TA)
从色谱中读出的质量分数，折合成摩尔含量，进行相关的计算。
二楼说的是按原子原则性，一般要是mol选择性，直接除就好了。

这种题也有30分,我也凑个热闹

=IF(K8<0,某列+k8,另一列+K8)
意思为当K8单元格小于0为真(TRUE)时,计算参数 "某列+K8" ,如果K8单元格小于0时为"假"(FALSE)时计算另一个参数 "另一列+K8"

这里的某列和另一列实际上只能填写一个单元格名称,因为这个公式不是数组公式,不会进行数组计算

如果还有不明白之处可以追问

A（反应物）—> B（主产物）+ C（付产物）
1）设反应物用量是a摩尔，转化率为90%， 主产物的选择性是80%， 付产物的转化率是20%。
2）付产物的产率是：90%x20%=18%。

计算机视觉领域有几个基本的任务：

object detection 的基础是 object recognition，只不过要先将进行分割，对每个分割之后的子图区域 region （也称为 patch） 进行 object recognition

由于事先并不知道物体在的哪个位置，为了避免漏检，我们应该对中尽量多的 region 进行搜索。理论上来说，可以有无穷多个 region。这里就需要一种 region proposal 的算法，以比较高效的方式提出划分 region 的方式，从而加速整个 object detection 的过程并且提高准确率。

本文将要介绍的 selective search 算法 ，是比较经典的，也是 R-CNN 中使用的 region proposal 算法。

参考文献：

为了避免蛮力搜索，selective search 算法首先需要一个基于像素的图像分割。这里用的是 Felzenszwalb and Huttenlocher 算法 （因为是当时速度最快的算法，而且是公开的），得到一个 oversegmented 的图像分割。例如：

这里之所以用 oversegmented 图像，是为了得到尽可能细分的区域，再以此为基础逐步合并，形成更大的区域。

image segmentation 可以用作 region proposal 的基础，每个分割的区域都可以看作一个潜在的 region，但是一个 object 往往包含了多个分割的区域，例如盛有咖啡的杯子，咖啡和杯子应该作为一个整体来看待。因此，还要根据某种相似性原则进行分割区域的合并，得到更大范围的 region。

Selective search 算法考虑了 4 种相似性度量，取值都在 [0,1] 之间，越大越相似。

最终的相似性度量是上述四个度量的组合：

其中 取 0 或 1

总结起来，selective search 的算法步骤非常简单：

环境配置：

具体程序：

最后效果如下：

显示的 100 个 region 已经包含了我们感兴趣的待检测区域，说明了 selective search 算法的高效。

立体选择性就是催化后，产生左旋或右旋的产品，占总产品中的比例。
这个比例,称为EE值，其值越高，说明催化剂的选择性越好。
可以通过产品的旋光性来对左旋或右旋异构的含量进行分析，也可以使用手性柱进行分离。

---