K h2o: 1. K+H2O=KOH+H2O 2. Ba+H2O=Ba(OH)2+H2 3. Zn+H2O=ZnO+H2уравнять, и записать в окислительно

Synthesis and crystal structures of [K(h3O)(Piv)]∞ and [K2(Phen)(h3O)2(Piv)]∞ — статья

В связи с техническими работами в центре обработки данных, часть прикреплённых файлов в настоящее время недоступна.

 

скрыть

Информация о цитировании статьи получена из Scopus, Web of Science
Статья опубликована в журнале из списка Web of Science и/или Scopus
Дата последнего поиска статьи во внешних источниках: 18 июля 2013 г.

  • Авторы: Tsymbarenko D.M., Bukhtoyarova E. A., Korsakov I.E., Troyanov S.I.
  • Журнал: Russian Journal of Coordination Chemistry/Koordinatsionnaya Khimiya
  • Том: 37
  • Номер: 11
  • Год издания: 2011
  • Издательство: Maik Nauka/Interperiodica Publishing
  • Местоположение издательства: Russian Federation
  • Первая страница: 825
  • Последняя страница: 831
  • DOI: 10.
    1134/S1070328411100125
  • Аннотация: A method for the synthesis of potassium pivalates (trimethylacetates) from potassium tert-butoxide and pivalic acid was proposed. The complexes of the formulas [K(h3O)(Piv)]∞(I) and [K2(Phen)(h3O)2(Piv)2]∞ (II) (Piv denotes the pivalate anion and Phen denotes 1,10-phenanthroline) were obtained and characterized by elemental analysis and IR and 1H NMR spectroscopy. The crystal structures of complexes I and II were determined using X-ray diffraction. Crystal structure I has a layered motif with two nonequivalent K atoms (C.N.s 5 + 2 and 6). The coordination of phenanthroline in II gives rise to a ribbon motif, the structure containing three nonequivalent K atoms (C.N.s 6, 6 + 1, and 8). Original Russian Text © D.M. Tsymbarenko, E.A. Bukhtoyarova, I.E. Korsakov, S.I. Troyanov, 2011, published in Koordinatsionnaya Khimiya, 2011, Vol. 37, No. 11, pp. 828–834. (Другие страницы)
  • Добавил в систему: Цымбаренко Дмитрий Михайлович

Личный кабинет граждан Кемеровской области

Вход

* сделано в КУЗБАССЕ

** для КУЗБАССА



Войти через госуслуги

Регистрация

Проблемы со входом

Забыли пароль?

Возможности сервиса

  • Подача заявлений для постановки на учет и зачисления детей в образовательные учреждения, реализующие основную общеобразовательную программу дошкольного образования (детские сады)
  • Контроль движения очереди в детском саду
  • Подача заявлений для зачисления детей в образовательные учреждения, реализующие основную общеобразовательную программу (школы)
  • Контроль текущей и итоговой успеваемости ребенка
  • Контроль посещаемости ребенка образовательного учреждения
  • Получение актуальных школьных новостей
  • Общение с сотрудниками образовательного учреждения (школы)
  • Подача заявлений для зачисления детей в образовательные учреждения, реализующие дополнительную общеобразовательную программу
  • Подача заявления на получение сертификата персонифицированного финансирования
  • Формирование портфолио обучающегося

Как получить доступ к сервису

  • С помощью логина и пароля, полученных при постановке ребенка на очередь в детский сад при личном приеме. Для обучающихся и их родителей логин/пароль нужно получить в школе.
  • С помощью учетной записи Единой системы идентификации и аутентификации (ЕСИА) – реквизитов доступа, используемых для авторизации на Едином портале государственных и муниципальных услуг.

Внимание! Если ваш ребенок ходит в школу или стоит в очереди в детский сад или посещает его, то не нужно регистрироваться на портале госуслуг для получения доступа, возьмите логин и пароль у сотрудника образовательного учреждения. После входа через логин/пароль в личных сведениях вы можете указать свой СНИЛС и в дальнейшем заходить как через логин/пароль, так и через ЕСИА.

Поиск программ ПФДО

Перейти в навигатор

K-Means Clustering — h3O 3.40.0.4 документация

Введение

K-Means относится к общей категории алгоритмов кластеризации. Кластеризация — это форма обучения без учителя, которая пытается найти структуры в данных без использования каких-либо меток или целевых значений. Кластеризация разбивает набор наблюдений на отдельные группы таким образом, что наблюдение в данной группе больше похоже на другое наблюдение в той же группе, чем на другое наблюдение в другой группе.

Дополнительные сведения см. в документах «Алгоритм быстрой кластеризации для кластеризации очень больших категориальных наборов данных при интеллектуальном анализе данных» и «Расширения алгоритма k-средних для кластеризации больших наборов данных с категориальными значениями» Чжексуэ Хуана.

Поддержка MOJO

В настоящее время K-Means поддерживает только экспорт MOJO.

Определение модели K-средних

Параметры являются необязательными, если не указано, что требуется .

Параметры алгоритма

  • cluster_size_constraints: Массив, определяющий минимальное количество точек, которое должно быть в каждом кластере. Длина массива ограничений должна совпадать с количеством кластеров.

  • оценка_k: укажите, следует ли оценивать количество кластеров (\(\leq\) k ) итеративно (независимо от seed ) и детерминистически (начиная с k=1,2,3... ). Если включено, для каждых тыс. оценка увеличится до макс_итерация . По умолчанию для этого параметра установлено значение False (отключено).

  • init: укажите режим инициализации. Варианты:

    • Random : инициализация случайным образом выбирает указанное k значение строк обучающих данных в качестве центров кластера.

    • PlusPlus : инициализация выбирает один начальный центр случайным образом и взвешивает случайный выбор последующих центров, чтобы с большей вероятностью были выбраны точки, наиболее удаленные от первого центра. Если PlusPlus , начальная матрица Y выбирается по конечным центрам кластеров из алгоритма K-Means PlusPlus.

    • Самый дальний (по умолчанию): инициализация выбирает один начальный центр случайным образом, а затем выбирает следующий центр как самую удаленную точку с точки зрения евклидова расстояния.

    • Пользователь : для инициализации требуется соответствующий параметр

      user_points . Обратите внимание, что указанный пользователем набор данных точек должен иметь то же количество столбцов, что и обучающий набор данных.

    Примечание : init игнорируется, если оценка_k=True , потому что алгоритм самостоятельно определит начальные центры кластеров.

  • k: укажите количество кластеров (групп данных) в наборе данных, которые похожи друг на друга. По умолчанию этот параметр равен 1 .

  • max_categorical_levels : для каждой категориальной функции укажите ограничение на количество наиболее частых категориальных уровней, используемых для обучения модели.

  • parallelize_cross_validation : Укажите, следует ли включить параллельное обучение моделей перекрестной проверки.

  • user_points: укажите кадр данных, где каждая строка представляет начальный центр кластера.

Общие параметры

  • categorical_encoding: укажите одну из следующих схем кодирования для обработки категориальных признаков:

    • авто или авто (по умолчанию): разрешить алгоритму решать. В K-Means алгоритм автоматически выполнит кодирование enum .

    • enum или Enum : 1 столбец на категориальный признак.

    • one_hot_explicit : N+1 новых столбцов для категориальных признаков с N уровнями.

    • двоичный или двоичный : не более 32 столбцов на категориальный признак.

    • eigen или Eigen

      : k столбцов на категориальный признак, сохраняя проекции матрицы горячего кодирования только на k -мерное собственное пространство.

    • label_encoder или LabelEncoder : Преобразование каждого перечисления в целое число его индекса (например, уровень 0 -> 0, уровень 1 -> 1 и т. д.).

    • sort_by_response или SortByResponse : переупорядочивает уровни по среднему ответу (например, уровень с самым низким ответом -> 0, уровень со вторым самым низким ответом -> 1 и т. д.). Обратите внимание, что для этого требуется указанный столбец ответа.

    • enum_limited или EnumLimited : автоматически уменьшать категориальные уровни до наиболее распространенных во время обучения и сохранять только T (10) наиболее частые уровни.

  • export_checkpoints_dir: укажите каталог, в который будут автоматически экспортироваться сгенерированные модели.

  • fold_assignment: (Применимо, только если указано значение для nfolds и fold_column не указано) Укажите схему назначения свертки перекрестной проверки. Один из:

    • АВТО (по умолчанию; использует Произвольно )

    • Случайный выбор

    • Модуль (подробнее о модуле)

    • Стратифицированный (который расслоит складки на основе переменной отклика для задач классификации)

  • fold_column: Укажите столбец, который содержит назначение индекса сворачивания перекрестной проверки для каждого наблюдения.

  • ignore_const_cols: Укажите, следует ли игнорировать постоянные обучающие столбцы, поскольку из них невозможно получить информацию. По умолчанию для этого параметра установлено значение True (включено).

  • ignored_columns: (только Python и Flow) Укажите столбец или столбцы, которые необходимо исключить из модели. В Flow установите флажок рядом с именем столбца, чтобы добавить его в список столбцов, исключенных из модели. Чтобы добавить все столбцы, нажмите кнопку Все . Чтобы удалить столбец из списка игнорируемых столбцов, нажмите X рядом с именем столбца. Чтобы удалить все столбцы из списка игнорируемых столбцов, нажмите значок Нет кнопка. Для поиска определенного столбца введите имя столбца в поле Search над списком столбцов. Чтобы отображались только столбцы с определенным процентом отсутствующих значений, укажите процент в поле Показывать только столбцы с более чем 0% отсутствующих значений . Чтобы изменить выбор для скрытых столбцов, используйте кнопки Select Visible или Deselect Visible .

  • keep_cross_validation_fold_assignment: включите этот параметр, чтобы сохранить назначение сгиба перекрестной проверки. Этот параметр по умолчанию равен Ложь (отключено).

  • keep_cross_validation_models: Укажите, следует ли сохранять модели с перекрестной проверкой. Сохранение моделей перекрестной проверки может потреблять значительно больше памяти в кластере h3O. По умолчанию для этого параметра установлено значение True (включено).

  • keep_cross_validation_predictions: включите этот параметр, чтобы сохранить прогнозы перекрестной проверки. По умолчанию для этого параметра установлено значение False (отключено).

  • max_iterations: укажите максимальное количество итераций обучения. Диапазон от 0 до 1e6, значение по умолчанию — 9.0027 10 .

  • max_runtime_secs: максимально допустимое время выполнения в секундах для обучения модели. По умолчанию этот параметр равен 0 (отключено).

  • model_id: Укажите пользовательское имя для модели, которая будет использоваться в качестве ссылки. По умолчанию h3O автоматически генерирует ключ назначения.

  • nfolds: укажите количество сгибов для перекрестной проверки. По умолчанию этот параметр равен 0 .

  • score_each_iteration: укажите, следует ли оценивать во время каждой итерации обучения модели. Этот параметр по умолчанию равен Ложь (отключено).

  • seed: укажите начальное число генератора случайных чисел (RNG) для компонентов алгоритма, зависящих от рандомизации. Начальное значение согласовано для каждого экземпляра h3O, поэтому вы можете создавать модели с одинаковыми начальными условиями в альтернативных конфигурациях. По умолчанию этот параметр равен -1 (случайное число на основе времени).

  • стандартизировать: включите этот параметр, чтобы стандартизировать числовые столбцы, чтобы они имели среднее значение, равное нулю, и единичную дисперсию. Настоятельно рекомендуется стандартизация; если вы не используете стандартизацию, результаты могут включать компоненты, в которых преобладают переменные, которые, по-видимому, имеют большую дисперсию по сравнению с другими атрибутами в зависимости от масштаба, а не истинного вклада. Этот параметр по умолчанию равен Правда (включено).

    Примечание : Если включена стандартизация, каждый столбец числовых данных центрируется и масштабируется таким образом, чтобы его среднее значение равнялось нулю, а его стандартное отклонение равнялось единице перед использованием алгоритма. В конце процесса кластер центрируется как на стандартизированной шкале ( center_std ), так и на дестандартизированной шкале ( center ). Чтобы дестандартизировать центры, алгоритм умножает исходное стандартное отклонение соответствующего столбца и добавляет исходное среднее значение. Включение стандартизации математически эквивалентно использованию h3o.scale в R с в центре = ИСТИНА и шкала = ИСТИНА в числовых столбцах. Следовательно, не будет заметной разницы, включена стандартизация или нет для K-средних, поскольку h3O вычисляет нестандартизированные центроиды.

  • training_frame: Обязательно Укажите набор данных, используемый для построения модели.

    ПРИМЕЧАНИЕ : В потоке, если нажать кнопку Построить модель в разделе Анализ , тренировочный кадр вводится автоматически.

  • validation_frame: укажите набор данных для расчета метрик кластеризации проверки.

  • x: укажите вектор, содержащий имена или индексы переменных-предикторов, которые следует использовать при построении модели. Если x отсутствует, используются все столбцы.

Интерпретация модели K-средних

По умолчанию отображаются следующие выходные данные:

  • График истории оценки (количество итераций по сравнению с суммой квадратов внутри кластера)

  • Выходные данные (категория модели, метрики проверки, если применимо, и центры, стандарт)

  • Сводка по модели Сводка по модели (количество кластеров, количество категориальных столбцов, количество итераций, общая сумма квадратов, общая сумма квадратов, общая сумма квадратов. Обратите внимание, что Flow также возвращает количество строк.)

  • История подсчета очков (длительность, количество итераций, количество переназначенных наблюдений, количество сумм квадратов внутри кластера)

  • Показатели обучения (имя модели, имя контрольной суммы, имя кадра, имя контрольной суммы кадра, описание, если применимо, категория модели, время подсчета очков, прогнозы, MSE, RMSE, сумма в пределах суммы квадратов, общая сумма квадратов, сумма между суммой квадратов )

  • Статистика центроидов (число центроидов, размер, сумма квадратов внутри кластера). Статистика центроидов недоступна для общих метрик перекрестной проверки.

  • Кластерные средства (центроид номер, столбец)

K-Means случайным образом выбирает начальные точки и сходится к локальному минимуму центроидов. Количество кластеров является произвольным и должно рассматриваться как параметр настройки. На выходе получается матрица назначений кластеров и координат центров кластеров в терминах исходно выбранных атрибутов. Ваши центры кластеров могут немного отличаться от запуска к запуску, так как эта проблема является недетерминированной полиномиальной сложностью (NP).

Оценка

тыс. в K-средних

Шаги ниже описывают метод, который K-Means использует для оценки k .

  1. Начиная с одного кластера, запустите K-Means для вычисления центроида.

  2. Найти переменную с наибольшим диапазоном и разделить по среднему значению.

  3. Запустите K-Means для двух полученных кластеров.

  4. Найдите переменную и кластер с наибольшим диапазоном, а затем разделите этот кластер на среднее значение переменной.

  5. Снова запустить K-Means и так далее.

  6. Продолжайте использовать K-Means, пока не будет выполнен критерий остановки.

h3O использует пропорциональное уменьшение ошибки (\(PRE\)) для определения момента прекращения разделения. Значение \(PRE\) рассчитывается на основе суммы квадратов в пределах (\(SSW\)).

\(PRE=\frac{(SSW\text{[до разделения]} — SSW\text{[после разделения]})} {SSW\text{[до разделения]}}\)

h3O прекращает разделение, когда \(PRE\) падает ниже \(порога\), который является функцией количества переменных и количества случаев, как описано ниже: 9{2}}\big]\)

Метрики перекрестной проверки

Для расчета основных метрик перекрестной проверки метрики каждой модели CV объединяются в одну. Невозможно рассчитать агрегированную статистику центроидов, потому что каждая модель CV может иметь различный размер центроидов (если включена оценка , оценка_k ), и агрегирование по всем группам центроидов не имеет смысла.

По этой причине статистика центроида имеет значение NULL для общих показателей перекрестной проверки. Вы по-прежнему можете получать центроидную статистику из каждой модели CV отдельно.

Constrained K-Means

Параметр cluster_size_constraints позволяет пользователю определить массив, указывающий минимальный размер каждого кластера во время обучения. Размер массива должен быть равен параметру k .

Чтобы удовлетворить заказному минимальному размеру кластера, расчет кластеров преобразуется в задачу минимального потока затрат. Вместо использования алгоритма итераций Ллойда граф строится на основе расстояний и ограничений. Цель состоит в том, чтобы итеративно пройти через входные ребра и создать оптимальное остовное дерево, удовлетворяющее ограничениям.

Дополнительная информация о том, как преобразовать стандартный алгоритм K-средних в задачу минимального потока затрат, описана в этой статье: https://pdfs.semanticscholar.org/ecad/eb93378d7911c2f7b9bd83a8af55d7fa9e06.pdf.

Размер кластера результатов гарантируется только для обучающих данных и только во время обучения . В зависимости от назначения кластера в конце обучения рассчитываются центры результатов. Однако назначение результирующего кластера может быть другим, когда вы оцениваете те же данные, которые использовались для обучения, потому что во время оценивания результирующий кластер назначается на основе конечных центров и расстояний от них. При подсчете очков не учитываются никакие ограничения.

Если параметры nfolds и cluster_size_constraints установлены одновременно, сумма ограничений должна быть меньше количества точек данных в одном кратности.

Задачи потока с минимальной стоимостью могут быть эффективно решены за полиномиальное время (или, в худшем случае, за экспоненциальное время). Производительность этой реализации алгоритма Constrained K-means низкая из-за множества повторяющихся вычислений, которые нельзя распараллелить и оптимизировать на бэкэнде h3O. Для большого набора данных с большой суммой ограничений расчет может длиться часами. Например, набор данных с 100 000 строк и пятью функциями может работать несколько часов.

Ожидаемое время работы с данными разного размера (ОС Debian 10.0 (x86-64), процессор Intel© Core™ i7-7700HQ CPU @ 2,80 ГГц × 4, ОЗУ 23,1 ГБ):

  • 10 000 строк, 5 функций ~ 0ч 9м 21с

  • 20 000 строк, 5 функций ~ 0 ч 39 м 27 с

  • 30 000 строк, 5 функций ~ 1 час 26 минут 43 секунды

  • 40 000 строк, 5 функций ~ 2 ч 13 м 31 с

  • 50 000 строк, 5 функций ~ 4 часа 4 минуты 18 секунд

Чем меньше сумма ограничений, тем быстрее время — используется расчет MCF до тех пор, пока все ограничения не будут удовлетворены, а затем используются стандартные K-средние.

Ограниченные K-средние с моделью агрегатора

Чтобы решить ограниченные K-средние за более короткое время, вы можете использовать алгоритм агрегатора h3O для агрегирования данных до меньших размеров, а затем передать эти данные в алгоритм ограниченных K-средних для расчета окончательных центроидов, которые будут использоваться при подсчете очков. Результаты не будут такими точными, как результаты модели со всем набором данных; однако это должно помочь решить проблему огромных наборов данных.

Однако есть некоторые допущения:

  • Большой набор данных должен состоять из множества похожих точек данных. В противном случае нечувствительная агрегация может нарушить структуру набора данных.

  • Полученная кластеризация может не соответствовать начальным ограничениям точно при оценке. (Это также относится к моделям с ограниченными значениями K-средних; для оценки используются полученные центроиды — ограничения не определены ранее. )

Метод агрегатора h3O — это основанный на кластеризации метод преобразования числового/категориального набора данных в набор данных с меньшим количеством строк. Агрегатор поддерживает выбросы как выбросы, но объединяет плотные кластеры в экземпляры с прикрепленным столбцом подсчета, показывающим баллы участников.

Для ограниченных KMeans с моделью агрегатора доступны следующие демонстрации:

  • https://github.com/h3oai/h3o-3/blob/master/h3o-py/demos/constrained_kmeans_demo_cluto.ipynb

  • https://github.com/h3oai/h3o-3/blob/master/h3o-py/demos/constrained_kmeans_demo_chicago.ipynb

Часто задаваемые вопросы

Отсутствующие значения автоматически заполняются средним значением столбца. К-означает также обрабатывает отсутствующие значения, предполагая, что отсутствующее расстояние между элементами вклады равны среднему значению всех других членов расстояния взносы.

Отсутствующие значения автоматически заполняются средним значением столбца данные тренировки.

Невидимый категориальный уровень в строке не влияет на уровень этой строки. прогноз. Это потому, что невидимый категориальный уровень не способствуют сравнению расстояний между кластерами, и, следовательно, не влияет на прогнозирование кластера, к которому принадлежит эта строка.

K-Means страдает от проклятия размерности: все точки примерно на одинаковом расстоянии друг от друга в больших размерах, что делает алгоритм все менее и менее полезный.

Это может быть проблематично, так как категориальные кодируются сразу на лету, что может привести к той же проблеме, что и наборы данных с большим количеством столбцы.

Алгоритм K-средних

Количество кластеров \(K\) определяется пользователем и определяется заранее.

  1. Выбрать \(K\) начальных центров кластеров \(m_{k}\) в соответствии с одним из далее:

    • Случайный : Выбрать \(K\) кластеров из набора \(N\) наблюдений случайным образом, чтобы каждое наблюдение имело равные шансы быть выбранным. 2\]

    • Назначить \(x_{i}\) кластеру \(k\), определенному \(m_{k}\), который минимизирует \(d(x_{i}, m_{k})\)

    • Когда все наблюдения \(x_{i}\) назначены кластеру, вычислить среднее значение точек в кластере.

      \[\bar{x}(k)=\{\bar{x_{i1}},…\bar{x_{ip}}\}\]

    • Установите \(\bar{x}(k)\) в качестве новых центров кластеров \(м_{к}\). Повторяйте шаги со 2 по 5, пока не будет задано максимальное количество достигнуты итерации или кластерные назначения \(x_{i}\) стабильный.

Примеры

Ниже приведен простой пример, показывающий, как построить модель KMeans.

Python

 библиотека (h3o)
h3o.init()
# Импортируем набор данных iris в h3O:
ирис <- h3o.importFile("http://h3o-public-test-data.s3.amazonaws.com/smalldata/iris/iris_wheader.csv")
# Установить предикторы:
предикторы <- c("sepal_len", "sepal_wid", "petal_len", "petal_wid")
# Разделить набор данных на поезд и действительный набор:
iris_split <- h3o. splitFrame (данные = радужная оболочка, коэффициенты = 0,8, семя = 1234)
поезд <- iris_split[[1]]
действительный <- iris_split[[2]]
# Построить и обучить модель:
iris_kmeans <- h3o.kmeans(k = 10,
                          оценка_k = ИСТИНА,
                          стандартизировать = ЛОЖЬ,
                          семя = 1234,
                          х = предикторы,
                          training_frame = поезд,
                          validation_frame = действительный)
# Оценка производительности:
производительность <- h3o.performance(iris_kmeans)
# Генерация прогнозов на проверочном наборе (при необходимости):
pred <- h3o.predict(iris_kmeans, newdata = действительный)
 
 импорт воды
из h3o.estimators импортировать h3OKMeansEstimator
h3o.init()
# Импортируем набор данных iris в h3O:
iris = h3o.import_file("http://h3o-public-test-data.s3.amazonaws.com/smalldata/iris/iris_wheader.csv")
# Установить предикторы:
предикторы = ["sepal_len", "sepal_wid", "petal_len", "petal_wid"]
# Разделить набор данных на поезд и действительный набор:
поезд, действительный = iris. split_frame(соотношения=[.8], seed=1234)
# Построить и обучить модель:
iris_kmeans = h3OKMeansEstimator(k=10,
                                 оценка_k = Верно,
                                 стандартизировать = Ложь,
                                 семя=1234)
iris_kmeans.train (x = предикторы,
                  training_frame = поезд,
                  validation_frame=действительный)
# Оценка производительности:
производительность = iris_kmeans.model_performance()
# Генерация прогнозов на проверочном наборе (при необходимости):
pred = iris_kmeans.predict (действительно)
 

Ссылки

Хасти, Тревор, Роберт Тибширани и Дж. Джером Х. Фридман. Элементы статистического обучения. Второе издание. НП, Спрингер Нью-Йорк, 2001.

Сюн, Хуэй, Цзюньцзе Ву и Цзянь Чен. «Кластеризация K-средних по сравнению с Меры проверки: перспектива распространения данных». Системы, Человек, и кибернетика, часть B: кибернетика, IEEE Transactions on 39.2 (2009 г.): 318-331.

Хартиган, Джон А. Алгоритмы кластеризации. Нью-Йорк: John Wiley & Sons, Inc., Np, 19.75.

Лиезит, K(h3O)2[(UO2)4O2(OH)5]·3h3O, новый калийсодержащий минерал семейства шепита из рудника Джомак, округ Сан-Хуан, Юта, США

Ключевые слова: лиезит; листовая анионная топология; шепит; уран; уранинит; кристаллическая структура

Благодарности

Это исследование финансируется Управлением фундаментальных энергетических наук Министерства энергетики США в рамках Исследовательского центра по изучению материалов актинидов Energy Frontier (DE-SC0001089). Прибор Element2 HR-ICP-MS, используемый для химического анализа, находится в Аналитическом центре исследований изотопов и микроэлементов Среднего Запада (MITERAC) в Университете Нотр-Дам. Электронную микроскопию проводили в Лаборатории прикладного химического и морфологического анализа Мичиганского технологического университета. Фонд Джона Джаго Трелони Департамента минералогических наук Музея естественной истории округа Лос-Анджелес профинансировал часть этого исследования. Якуб Плашил благодарен за поддержку проекта GACR 15-12653S.

Приведенные ссылки

Amonette, J.E., Holdren, G.R. Младший, Крупа, К.М., и Линденмайер, К.В. (1994) Оценка экологической доступности урана в почвах и отложениях. NUREG/CR-6232 PNL-9570, Тихоокеанская северо-западная лаборатория, Ричленд, Вашингтон, http://www.iaea.org/inis/collection/NCLCollectionStore/_Public/25/069/25069667.pdf?r=1. Доступ: 13 августа 2017 г. (Архивировано WebCite по адресу http://www.webcitation.org/6shXVIKZO). Поиск в Google Scholar

Бартлетт, Дж. Р., и Куни, Р. П. (1989) Об определении длин уран-кислородных связей в соединениях диоксурана(VI) методом рамановской спектроскопии. Journal of Molecular Structure, 193, 295–300.10.1016/0022-2860(89)80140-1Поиск в Google Scholar

Brugger, J., Meisser, N., Etschmann, B., Ansermet, S., and Pring, А. (2011) Полшеррерит из разработки № 2, Маунт-Пейнтер-Инлиер, северные хребты Флиндерс, Южная Австралия: «Обезвоженный шепит» — это, в конце концов, минерал. Американский минералог, 96, 229–240.10.2138/am.2011.3601Поиск в Google Scholar

Бернс, П.К. (2005) U 6+ минералы и неорганические соединения: понимание расширенной структурной иерархии кристаллических структур. Канадский минералог, 43(6), 1839–1894.10.2113/gscanmin.43.6.1839Поиск в Google Scholar

Бернс, П.К., Юинг, Р.К., и Хоторн, Ф.К. (1997a) Кристаллохимия шестивалентного урана; геометрия полиэдров, параметры связи и валентности и полимеризация полиэдров. Канадский минералог, 35 (6), 1551–1570. Поиск в Google Scholar

Бернс, П.К., Юинг, Р.К., и Миллер, М.Л. (1997b) Механизмы включения актинидных элементов в структуры фаз U 6+ , образующихся при окислении отработавшего ядерного топлива. Journal of Nuclear Materials, 245(1), 1–9.10.1016/S0022-3115(97)00006-8Поиск в Google Scholar

Burns, P.C., Deely, K.M., and Skanthakumar, S. (2004) Включение нептуния в уранил соединения, которые образуются как продукты изменения отработавшего ядерного топлива: последствия для работы геологического хранилища. Радиохимика Акта, 92(3), 151–159.10.1524/ract.92.3.151.30491Search in Google Scholar

Чейка, Дж. (1999) Инфракрасная спектроскопия и термический анализ ураниловых минералов. В ПК Бернс и Р.К. Юинг, ред., Уран: минералогия, геохимия и окружающая среда, 38, с. 521–622. Минералогическое общество Америки. 10.1515/9781501509193-017Поиск в Google Scholar

Christ, C.L., and Clark, J.R. (1960) Кристаллохимические исследования некоторых гидратов оксида уранила. Американский минералог, 45 лет, 1026–1061. Поиск в Google Scholar

Доти Д.Г. и Камелот М.М. (1982) Колебательная спектроскопия гидрата гексаураната калия. I. Частоты, связанные с движением атомов кислорода — гипотеза о строении анионного слоя. Bulletin de la Société chimique de France (3–4), 97–102. Поиск в Google Scholar

Dothée, D.G., Fahys, B.R., and Camelot, M.M. (1982) Колебательная спектроскопия гидрата гексаураната калия. II. Движения атомов водорода — гипотеза о структуре воды в уранате. Bulletin de la Société chimique de France (3–4), 103–108. Поиск в Google Scholar

Финч Р.Дж. и Юинг Р.К. (1992) Коррозия уранинита в окислительных условиях. Journal of Nuclear Materials, 190, 133–156.10.1016/0022-3115(92)-WSsearch in Google Scholar

Финч Р.Дж. и Мураками Т. (1999) Систематика и парагенезис урановых минералов. В ПК Бернс и Р.К. Юинг, ред., Уран: минералогия, геохимия и окружающая среда, 38, 91–179. Reviews in Mineralogy, Минералогическое общество Америки, Шантильи, Вирджиния. 10.1515/9781501509193-008Поиск в Google Scholar

Финч, Р.Дж., Миллер, М.Л., и Юинг, Р.К. (1992) Выветривание природных политипов гидратов оксида уранила – шепита и эффекты дегидратации. Radiochimica Acta, 58-9, 433–443.10.1524/ract.1992.5859.2.433Поиск в Google Scholar

Финч К.Дж., Сукси Дж., Расилайнен К. и Юинг Р.К. (1996a) Возраст вторичных урановых минералов по ряду урана с приложениями к долгосрочной эволюции отработавшего ядерного топлива. В В.М. Мерфи и Д.А. Кнехт, ред. Научные основы обращения с ядерными отходами XIX, 412, 823–830. Общество исследования материалов, Питтсбург. 10.1557/PROC-412-823Поиск в Google Scholar

Финч, Р.Дж., Купер, М.А., Хоторн, Ф.К., и Юинг, Р.К. (1996b) Кристаллическая структура шепита [(UO 2 ) 8 O 2 (OH) 12 ] (H 2 O) 12 . Канадский минералог, 34, 1071–1088. Поиск в Google Scholar

Финч, Р.Дж., Хоторн, Ф.К., Миллер, М.Л., и Юинг, Р.К. (1997) Различение среди шепита, [(UO 2 ) 8 O 2 (OH) 12 ](H 2 O) 12 и родственные минералы с помощью порошковой рентгеновской дифракции. Порошковая дифракция, 12(4), 230–238.10.1017/S0885715600009799Search in Google Scholar

Foord, E.E., Korzeb, S.L., Lichte, F.E., and Fitzpatrick, J.J. (1997) Дополнительные исследования смешанных продуктов изменения гидрата оксида и гидроксида уранила уранинита из гранитных пегматитов Палермо и Рагглс, графство Графтон, Нью-Гэмпшир. Canadian Mineralogist, 35, 145–151. Search in Google Scholar

Frondel, C. (1956) Минеральный состав гуммита. Американский минералог, 41 год, 539 лет.–568.Поиск в Google Scholar

Фрост Р.Л., Чейка Дж. и Вейер М.Л. (2007) Рамановское спектроскопическое исследование гидратов оксигидроксида уранила: беккерелит, биллиетит, кюрит, шепит и вандендришеит. Journal of Raman Spectroscopy, 38, 460–466.10.1002/jrs.1669Поиск в Google Scholar

Giammar, D.E., and Hering, J.G. (2004) Влияние растворенного натрия и цезия на растворимость гидрата оксида уранила. Экологические науки и технологии, 38(1), 171–179.10.1021/es0345672Поиск в Google Scholar пабмед

Хоторн, ФК (1992) Роль OH и H 2 O в оксидных и оксисолевых минералах. Zeitschrift für Kristallographie, 201(3-4), 183–206.10.1524/zkri.1992.201.3-4.183Поиск в Google Scholar

Hawthorne, F.C. (2012) Топологический подход к теоретической минералогии: кристаллическая структура, химический состав и химические реакции. Physics and Chemistry of Minerals, 39(10), 841–874.10.1007/s00269-012-0538-4Поиск в Google Scholar

Hawthorne, F.C. (2015) На пути к теоретической минералогии: топологический подход к связям. Американский минералог, 100, 696–713.10.2138/am-2015-5114Поиск в Google Scholar

Хоторн, Ф.К., и Шиндлер, М. (2008) Понимание слабосвязанных компонентов в оксисолевых минералах. Zeitschrift für Kristallographie-Crystalline Materials, 223, 41.10.1524/zkri.2008.0003Поиск в Google Scholar

Haynes, P.E. (2000) Минералогия шахты Джомак, округ Сан-Хуан, штат Юта. Rocks and Minerals, 75(4), 240–248.10.1080/00357520009605651Поиск в Google Scholar

Klingensmith, A.L., Deely, K.M., Kinman, W.S., Kelly, V., and Burns, P.C. (2007) Включение нептуния в натрий-замещенный меташепит. Американский минералог, 9 лет2, 662–669.10.2138/am.2007.2350Поиск в Google Scholar

Кубатько К.А., Хелеан К., Навроцкий А., Бернс П.К. (2006) Термодинамика ураниловых минералов: энтальпии образования гидратов оксида уранила. Американский минералог, 91, 658–666.10.2138/am.2006.1856Поиск в Google Scholar

Li, Y., and Burns, P.C. (2000) Исследования кристаллохимической изменчивости гидратов оксида уранила свинца. II. Фурмарьерит. Канадский минералог, 38(3), 737–749.10.2113/gscanmin.38.3.737Поиск в Google Scholar

Libowitzky, E. (1999) Корреляция частот растяжения O-H и длин водородных связей O-H···O в минералах. Monatshefte Für Chemie, 130(8), 1047–1059.10.1007/978-3-7091-6419-8_7Поиск в Google Scholar

Люссье, А.Дж., Бернс, П.С., и Кинг-Лопес, Р. (2016) Пересмотренный и расширенная структурная иерархия соединений природного и синтетического шестивалентного урана. Канадский минералог, 54(1), 177–283.10.3749/canmin.1500078Поиск в Google Scholar

Mandarino, J.A. (2007) Совместимость минералов Гладстона-Дейла и ее использование при выборе видов минералов для дальнейшего изучения. Канадский минералог, 45 лет, 1307–1324.10.2113/gscanmin.45.5.1307Поиск в Google Scholar

О’Хара, П. А.Г., Льюис, Б.М., и Нгуен, С.Н. (1988) Термохимия соединений урана XVII. Стандартная молярная энтальпия образования при 198,15 К дегидратированного шепита UO 3 ·0,9 H 2 O. Термодинамика (шепит + дегидратированный шепит + вода). Журнал химической термодинамики, 20(11), 1287–1296.10.1016/0021-9614(88)-6Поиск в Google Scholar

Плашил, Дж. (2014) Окислительно-гидратационное выветривание уранинита: текущее состояние знание. Журнал геонаук, 59(2), 99–114.10.3190/jgeosci.163Поиск в Google Scholar

Плашил Й., Шкода Р., Чейка Дж., Бургуэн В. и Бульяр Ж.-К. (2016) Кристаллическая структура минерала оксида уранила рамоита. European Journal of Mineralogy, 28, 959–967.10.1127/ejm/2016/0028-2568Поиск в Google Scholar

Плашил, Дж., Кампф, А.Р., Олдс, Т.А., Сейкора, Дж., Шкода, Р., Бернс, П.К. и Чейка Дж. (2017) Крупайте, IMA 2017-031. Информационный бюллетень CNMNC № 38, август 2016 г.; Минералогический журнал, 81(4), 1033–1038Поиск в Google Scholar

Sandino, M. C.A., and Grambow, B. (1994) Равновесие растворимости в системе U(VI)-Ca-K-Cl-H 2 O: превращение шепита в беккерелит и компреньяцит. Radiochimica Acta, 66-7, 37–43.10.1524/ract.1994.6667.special-issue.37Search in Google Scholar

Schindler, M., and Hawthorne, F.C. (2004) Подход валентности связи к минералам гидроксигидрата оксида уранила: химический состав и возникновение. Канадский минералог, 42(6), 1601–1627.10.2113/gscanmin.42.6.1601Поиск в Google Scholar

Шиндлер М. и Хоторн Ф.К. ((2008) Стереохимия и химический состав интерстициальных комплексов в уранил-оксисолевых минералах. Canadian Mineralogist, 46(2), 467–501.10.3749/canmin.46.2.467Search in Google Scholar

Schoep, A., and Stradiot, S. (1947) Paraschoepite и epiianthinite, два новых урановых минерала из Шинколобве (Бельгийское Конго), American Mineralogist, 32, 344–350. (2013) Необычная ассоциация гипергенных урановых минералов из жилы Ян Евангелиста, Яхимов (Чехия) // Бюллетень минералогико-петрологических исследований Народного музея (Прага), 21, 143–156. Поиск в Google Scholar

Шелдрик, Г.М. (2015) SHELXT — Комплексное определение пространственной группы и кристаллической структуры. Acta Crystallographica, A71, 3–8.10.1107/S2053273314026370Поиск в Google Scholar

Sowder, A.G., Clark, S.B., and Fjeld, R.A. (1996) Влияние кремнезема и фосфата на превращение шепита в беккерелит и другие ураниловые фазы. Radiochimica Acta, 74, 45–49.10.1524/ract.1996.74.special-issue.45Search in Google Scholar

Sowder, A.G., Clark, S.B., and Fjeld, R.A. (1999) Преобразование гидратов окиси уранила: влияние дегидратации на синтетический меташепит и его превращение в беккерелит. Environmental Science & Technology, 33(20), 3552–3557.10.1021/es96Search in Google Scholar

Taylor, JC, and Hurst, HJ (1971) Расположение атомов водорода в a- и β-формах гидроксида уранила. Acta Crystallographica, B27(10), 2018–2022.10.1107/S0567740871005259Поиск в Google Scholar

Trites, A.F. Jr., and Hadd, G.A. (1958) Геология шахты Джомак, район Белого каньона, округ Сан-Хуан, штат Юта. Бюллетень геологической службы США, 1046-H. Поиск в Google Scholar

Vochten, R., and Deliens, M. (1998) Blatonite, UO 2 CO 3 ·H 2 O, новый моногидрат карбоната уранила из округа Сан-Хуан, штат Юта. Canadian Mineralogist, 36, 1077–1081. Поиск в Google Scholar

Vochten, R., Deliens, M., and Medenbach, O. (2001) ) 2 (H 2 O) 4 , новый основной уранилкарбонатный минерал из уранового рудника Джомак, округ Сан-Хуан, штат Юта, США. Канадский минералог, 39 лет, 1685–1689.10.2113/gscanmin.39.6.1685Search in Google Scholar

Валента, К., и Тей, Т. (2012) Гейзенбергит, новый урановый минерал из уранового месторождения Менценшванд в Южном Шварцвальде, Германия. Neues Jahrbuch für Mineralogie, 189(2), 117–123.10.1127/0077-7757/2012/0213Поиск в Google Scholar

Walker, T.L. (1923) Шепит, новый урановый минерал из Казоло, Бельгийское Конго. American Mineralogist, 8, 67–69. Поиск в Google Scholar

Веллер, М.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *