基于XPS对硫铁矿去除SeO2-3的机理研究

硒是动植物及人体生长必需的十五种微量元素之一，具有清除体内自由基、抗氧化、增强免疫力等功能，但其安全剂量的范围却很窄。利用扫描电子显微镜（SEM）和X射线衍射仪（XRD）对湿法球磨制备的硫铁矿形貌进行了表征。SEM观测发现加乙醇助磨后的硫铁矿为粒径大小较均匀的球形颗粒团聚体，粒径范围在17～200 nm之间，平均粒径138 nm。XRD衍射图谱中的特征峰与FeS₂衍射图谱中各峰位置基本一致，因此判定硫铁矿中主要化学组分为FeS₂，且图谱中基本没有杂峰，表明制备过程中并未混入杂质，样品纯度较高。实验结果表明，该法制备的硫铁矿具有颗粒粒径小、比表面积大、反应活性高等优点。研究中利用X射线光电子能谱仪（XPS）对硫铁矿去除水体中SeO2-₃的机理进行了研究。研究结果表明, （1）在较为广泛的实验pH范围（pH 2.2～11.5），硫铁矿均能有效去除水体中SeO2-₃，去除效率（除pH值7.8以外）均达到90%以上；（2）硫铁矿与SeO2-₃发生反应后，其主要组成元素的XPS特征峰结合能有所减小，表明硫铁矿表面发生了一定化学变化；（3）酸碱环境下硫铁矿去除SeO2-₃的机理不完全相同，酸性环境下，硫铁矿对SeO2-₃的去除是单纯的氧化还原过程，即硫铁矿中被酸活化的S2-₂将SeO2-₃还原为单质Se(0)，并且酸性越强，SeO2-₃去除效果越好；碱性环境下，SeO2-₃的去除过程中氧化还原与络合反应并存，硫铁矿表面有络合态Fe(OH)SeO₃和单质Se(0)两种存在形态，且碱性越强，络合态Fe(OH)SeO₃含量越高。以上研究结果为硫铁矿去除固定水体和土壤中以SeO2-₃为代表的可变价金属阴离子提供重要理论依据和应用基础。     

减压扩散高阻密栅技术应用研究

本文对减压扩散机理及高阻密栅技术作了详细的分析,并就设备及工艺方面的关键技术进行了阐述,最后对减压扩散高方阻工艺及密栅匹配技术电池效率进行了对比分析,有以下结论:(1)减压扩散在工艺优化后,方阻均匀性得到大幅改善,达到3;以内.(2)减压扩散电池效率完全可达到常规产线的水平,且在高阻密栅方面更有优势,可有效提升太阳电池效率.     

Mass and isotopic concentrations of water-insoluble refractory carbon in total suspended particulates at Mt.Waliguan Observatory(China)

Mass concentration and isotopic values δ¹³C and ¹⁴C are presented for the water-insoluble refractory carbon（WIRC） component of total suspended particulates（TSP）,collected weekly during 2003,as well as from October 2005 to May 2006 at the WMO-GAW Mt.Waliguan（WLG） site.The overall average WIRC mass concentration was（1183±120）ng/m³（n = 79）,while seasonal averages were 2081 ±1707（spring）,454±205（summer）,650±411（autumn）,and 1019±703（winter） ng/m3.Seasonal variations in WIRC mass concentrations were consistent with black carbon measurements from an aethalometer,although WIRC concentrations were typically higher,especially in winter and spring.The δ¹³C PDB value（-25.3 ± 0.8）%.determined for WIRC suggests that its sources are C₃ biomass or fossil fuel combustion.No seasonal change in δ¹³C PDB was evident.The average percent Modern Carbon（pMC） for ¹⁴C in WIRC for winter and spring was（67.2 ± 7.7）%（n = 29）.Lower pMC values were associated with air masses transported from the area east of WLG,while higher pMC values were associated with air masses from the Tibetan Plateau,southwest of WLG.Elevated pMC values with abnormally high mass concentrations of TSP and WIRC were measured during a dust storm event.     

Cu2O/TiO2-Bi2WO6三元复合催化剂的制备及光催化性能研究

采用水热法制备花状Bi2 WO6,并利用超声分散法制备了Cu2 O/TiO2-Bi2 WO6复合光催化剂,通过FESEM、XRD、XPS、FI-IR、UV-vis DRS和PL对光催化剂进行了分析和表征.表征结果证明:花状Bi2 WO6表面负载着碎片状的TiO2和立方体Cu2 O形成Cu2 O/TiO2-Bi2 WO6复合光催化剂;以短链脂肪酸(SCFAs)为牺牲剂,考察复合光催化剂的光催化产生氢气和烷烃的性能.实验结果表明:Cu2 O/TiO2-Bi2 WO6复合光催化剂以乙酸为牺牲剂,主要产氢气和甲烷,降解率高达91.82;;以丙酸为牺牲剂,产物主要是乙烷和丁烷,降解率高达90.70;;以丁酸为牺牲剂,除了氢气,甲烷,乙烷,丙烷,丁烷外,气体产物还含有一定量的戊烷,其降解率高达91.50;.结合反应液中间产物的成分进行检测,由此推断出光催化反应的可能机理.     

用标准件对梯度磁场定标

就标准厚度卡片在霍尔传感器的定标方面的应用作了有益的探讨。在纵向测量微小长度时,霍尔片处于磁场边缘位置,其对磁场的梯度更大,即灵敏度更高,且靠中心位置的线性更好。     

煤直接液化油中混合酚的分离研究

利用分子筛择形特点，对煤直接液化油中的混合酚实施高效分离。本研究选取间甲酚和对甲酚作为分离煤直接液化油馏分段混合酚的模型化合物，采用化学液相沉积法对HZSM-5吸附剂的孔口结构进行改变，分析分子筛硅铝比及颗粒粒径对模型化合物间甲酚和对甲酚吸附分离性能的影响，以获得高性能固相吸附剂，并将其应用于180-190℃馏分段混合酚分离。结果表明，当分子筛硅铝比为25、粒径为3-5 μm时，分子筛的孔口结构调节效果最优；当正硅酸乙酯的最小用量为0.2 mL/g时，固相吸附剂的吸附量为0.03 g/g，对甲酚选择性高于95%。由于外表面沉积物对吸附剂的孔口结构变化，导致对甲酚选择性的提高。进一步采用HZSM-5（1）吸附剂对真实煤直接液化油混合酚的分离中发现，苯酚和对甲酚的选择性均达到100%。     

基于DNA酶催化的卟啉金属化检测锌

利用G-四链体DNA（T30695）催化Zn²⁺插入到中卟啉IX（MPIX）中，引起荧光偏移的特点，建立了检测Zn²⁺的方法。在40μmol/L MPIX、0.6μmol/L Pb²⁺、5μmol/L T30695和1%Triton的最优实验条件下，该方法在Zn²⁺浓度为0.5～5μmol/L范围内呈现良好的线性关系，相关系数R²=0.95，检出限为73.5 nmol/L。离子选择性实验表明该方法对Zn²⁺具有较好的选择性，用于实际样品测定，回收率在94.7%～100.4%之间。     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。