2022国赛C题古代玻璃制品的成分分析与鉴别思路分析

简介: 2022国赛C题古代玻璃制品的成分分析与鉴别思路分析



详情可以查看下面的阿里云文章

C 题  古代玻璃制品的成分分析与鉴别


2022 年高教社杯全国大学生数学建模竞赛题目

丝绸之路是古代中西方文化交流的通道,其中玻璃是早期贸易往来的宝贵物证。早期的玻 璃在西亚和埃及地区常被制作成珠形饰品传入我国, 我国古代玻璃吸收其技术后在本土就地取 材制作,因此与外来的玻璃制品外观相似,但化学成分却不相同。

玻璃的主要原料是石英砂,主要化学成分是二氧化硅(SiO2 ) 。由于纯石英砂的熔点较高, 为了降低熔化温度,在炼制时需要添加助熔剂。古代常用的助熔剂有草木灰、天然泡碱、硝石 和铅矿石等,并添加石灰石作为稳定剂,石灰石煅烧以后转化为氧化钙(CaO)。添加的助熔 剂不同,其主要化学成分也不同。例如,铅钡玻璃在烧制过程中加入铅矿石作为助熔剂, 其氧 化铅(PbO)、氧化钡(BaO) 的含量较高, 通常被认为是我国自己发明的玻璃品种,楚文化 的玻璃就是以铅钡玻璃为主。钾玻璃是以含钾量高的物质如草木灰作为助熔剂烧制而成的,主 要流行于我国岭南以及东南亚和印度等区域。

古代玻璃极易受埋藏环境的影响而风化。在风化过程中, 内部元素与环境元素进行大量交 换,导致其成分比例发生变化, 从而影响对其类别的正确判断。如图 1 的文物标记为表面无风 化,表面能明显看出文物的颜色、纹饰, 但不排除局部有较浅的风化; 图 2 的文物标记为表面 风化, 表面大面积灰黄色区域为风化层,是明显风化区域,紫色部分是一般风化表面。在部分 风化的文物中, 其表面也有未风化的区域。



图 1    未风化的蜻蜓眼玻璃珠样品           图 2    风化的玻璃棋子样品

现有一批我国古代玻璃制品的相关数据,考古工作者依据这些文物样品的化学成分和其他 检测手段已将其分为高钾玻璃和铅钡玻璃两种类型。附件表单 1 给出了这些文物的分类信息, 附件表单 2 给出了相应的主要成分所占比例(空白处表示未检测到该成分) 。这些数据的特点 是成分性,即各成分比例的累加和应为 100%,但因检测手段等原因可能导致其成分比例的累 加和非 100%的情况。本题中将成分比例累加和介于 85%~105%之间的数据视为有效数据。

请你们团队依据附件中的相关数据进行分析建模, 解决以下问题:

问题 1    对这些玻璃文物的表面风化与其玻璃类型、纹饰和颜色的关系进行分析; 结合玻 璃的类型,分析文物样品表面有无风化化学成分含量的统计规律,并根据风化点检测数据,预 测其风化前的化学成分含量。

问题 2    依据附件数据分析高钾玻璃、铅钡玻璃的分类规律; 对于每个类别选择合适的化 学成分对其进行亚类划分,给出具体的划分方法及划分结果,并对分类结果的合理性和敏感性 进行分析。

问题 3    对附件表单 3 中未知类别玻璃文物的化学成分进行分析, 鉴别其所属类型,并对


分类结果的敏感性进行分析。

问题 4    针对不同类别的玻璃文物样品, 分析其化学成分之间的关联关系, 并比较不同类 别之间的化学成分关联关系的差异性。

附件

表单 1    玻璃文物的基本信息

表单 2    已分类玻璃文物的化学成分比例,其中

(1)  文物采样点为该编号文物表面某部位的随机采样,其风化属性与附件表单 1  中相应文 物一致。

(2)  部位 1 和部位 2 是文物造型上不同的两个部位, 其成分与含量可能存在差异。

(3)  未风化点是风化文物表面未风化区域内的点。

(4)  严重风化点取自风化层。

表单 3    未分类玻璃文物的化学成分比例

相关文章
|
机器学习/深度学习 PyTorch 算法框架/工具
RGCN的torch简单案例
RGCN 是指 Relational Graph Convolutional Network,是一种基于图卷积神经网络(GCN)的模型。与传统的 GCN 不同的是,RGCN 可以处理具有多种关系(边)类型的图数据,从而更好地模拟现实世界中的实体和它们之间的复杂关系。 RGCN 可以用于多种任务,例如知识图谱推理、社交网络分析、药物发现等。以下是一个以知识图谱推理为例的应用场景: 假设我们有一个知识图谱,其中包含一些实体(如人、物、地点)以及它们之间的关系(如出生于、居住在、工作于)。图谱可以表示为一个二元组 (E, R),其中 E 表示实体的集合,R 表示关系的集合,每个关系 r ∈ R
2811 0
|
小程序
微信小程序 - block 与 view 的区别
微信小程序 - block 与 view 的区别
1309 0
|
1月前
|
缓存 人工智能 数据可视化
GLM 5.2自托管完整实操指南:硬件选型、vLLM/SGLang部署与成本测算全解
GLM 5.2作为国产标杆级开源大模型,采用753B MoE混合专家架构,单次推理仅激活8个专家模块,原生支持百万Token超长上下文,在代码生成、复杂数学推理、长篇文档分析等场景综合能力突出。企业选择GLM 5.2本地/私有云自托管,核心收益在于数据完全不出域、模型可深度定制、长期算力成本可控,但落地需要解决硬件匹配、推理框架适配、性能调优、成本核算四大核心难题。同时,搭配OpenClaw、Hermes两类主流AI智能体,可搭建完整本地自动化工作流,结合阿里云百炼Token Plan云端订阅方案,形成本地私有化+云端弹性混合使用架构。本文完整覆盖GLM 5.2硬件分级方案、两大主流推理框架部
511 1
|
2月前
|
人工智能 自然语言处理 监控
阿里云百炼大模型平台全指南:定位、模型、场景与计费详解
2026年,阿里云百炼(Model Studio)已从单一模型服务平台,升级为集模型调用、微调、智能体开发、知识库构建、应用部署于一体的全链路MaaS(Model as a Service)平台。它聚合了150+款优质大模型,提供零代码/低代码与高代码双模式开发能力,搭配灵活的计费体系,成为个人开发者、中小企业与大型企业落地AI应用的首选平台。本文将从平台定位、模型矩阵、核心能力、落地场景、计费方案与选型建议等维度,全面解读2026年阿里云百炼大模型平台。
968 0
人工智能 Linux API
214 0
|
8月前
|
SQL 人工智能 自然语言处理
干货收藏|深度解析数据分析Agent技术原理与产品发展
《2025数据分析Agent白皮书》内容聚焦数据分析Agent的技术路线、落地方案与未来方向,希望能将Quick BI团队多年积累的思考传递给所有关心数据领域技术和应用发展的用户。
|
9月前
|
人工智能 监控 安全
2025年国内主流数据治理与数据中台产品大全,国内数据治理厂商推荐
在数字化转型加速的背景下,数据治理与数据中台成为企业释放数据价值的关键。本文聚焦国内市场,精选10款代表性产品——包括瓴羊Dataphin、腾讯WeData、华为DataArts Studio、字节Dataleap、网易数帆EasyData、奇点云DataSimba、袋鼠云DTinsight、亚信AISWare DataOS、星环TDS和数澜Datahub,从核心能力、架构特点与适用场景等维度进行解析。这些产品各具优势,文章建议企业结合自身规模、业务特性与技术基础,选择匹配的数据平台,以实现数据驱动的高质量发展。
2025年国内主流数据治理与数据中台产品大全,国内数据治理厂商推荐
|
运维 前端开发 算法
开源中国【专访】 | CodeFuse:让研发变得更简单
CodeFuse 是蚂蚁集团自研的代码生成大模型,旨在简化研发流程,提供智能建议和实时支持。它能自动生成代码、添加注释、生成测试用例并优化代码。通过创新的 Rodimus 架构,CodeFuse 实现了“小体量,大能量”,显著提升了资源利用效率。其特色功能“图生代码”可将设计图一键转换为代码,准确率超过90%,大幅提高前端开发效率。此外,CodeFuse 还引入了“Code Graph”概念,帮助 LLM 更好地理解仓库级代码结构,缩短任务处理时间。未来,CodeFuse 将致力于全生命周期的研发支持,涵盖需求分析、代码生成到运维监测,推动行业技术迭代与创新。
1204 3
|
监控 JavaScript 前端开发
Vue 3+Sentry,轻松实现错误追踪!
Vue 3+Sentry,轻松实现错误追踪!