具有电子转移路径的金属化氮化碳选择性再生NADH和光酶偶联CO2还原(英文)

将CO₂转化为燃料和化学品被认为是缓解能源危机的一种有效策略.受自然光合作用的启发,光酶偶联结合了光催化和酶催化的优点,在绿色生物制造中具有较好的应用前景.铑(Rh)络合物是选择性再生还原型烟酰胺腺嘌呤二核苷酸(M-NADH)的关键介体,其固定化可以提高体系的可持续性,并有效缩短电子传递路径,因而受到广泛关注.本文制备了联吡啶功能化的金属化氮化碳(PCNRhbpy₄),用于光酶偶联催化CO₂还原.首先以双氰胺为前驱体,通过两步退火法制备氮化碳(PCN),再与5,5’-二氨基-2,2’-联吡啶(DABP)进一步热缩合,然后锚定[Cp*RhCl₂]₂获得PCNRhbpy₄,并通过透射电镜、扫描电镜、粉末X射线衍射、紫外可见光吸收光谱、瞬态表面光电压和荧光发射光谱等进行表征.结果表明,合成的PCNRhbpy₄材料具有掺杂石墨烯结构,且通过残余的末端联吡啶结构均匀地固定了Rh络合物.以PCNRhbpy₄作为光催化剂实现了...     

基于人口异质性和疫苗接种的传染病控制系统

传染病对人类造成了严重的威胁,接种疫苗是有效控制传染病的措施之一.构建了具有人口异质性和疫苗接种的多群组SVEIAR模型,研究了模型的基本再生数与控制再生数,针对两个亚种群的情况数值分析了亚种群的活性、亚种群规模、优先混合方式、疫苗有效率、疫苗接种率等参数对控制再生数的影响.针对模型与参数,数值计算得到了疾病控制中对疫苗有效率的最低要求,并且针对亚种群活性及规模给出了疫苗总量有限时疫苗的分配建议.     

基于乘用车轮胎胎面胶粉的再生橡胶的制备及性能

通过力化学再生法制备了以废轮胎胶粉为原料的再生橡胶，研究了不同活化剂420用量对再生橡胶性能的影响，测试表明：再生橡胶含硫键断裂生成了硫自由基，随着活化剂含量的增加，再生橡胶的邵氏硬度和交联密度持续降低；拉伸强度、断裂延伸率和凝胶含量均先升高后降低，在活化剂用量为0.9 phr时，拉伸强度和断裂延伸率最大，再生橡胶的凝胶含量最大为19.7%。 微观形貌发现，废轮胎胎面胶粉的颗粒较为分散，再生橡胶的结构颗粒相互粘连，孔洞和缺陷较多，再生橡胶的门尼黏度随着活化剂含量的增加而降低。 综合来看，活化剂420的最佳含量为0.9 phr，再生橡胶各项性能最优。     

不同堆积方式下碳黑颗粒氧化特性的实验研究

本文将自由堆积和DPF中错流沉积碳黑颗粒的氧化再生进行对比，从气体排放、颗粒物排放、氧化再生效率以及能量利用率进行分析，探索DPF再生时气体和颗粒排放规律和特性。实验结果表明：自由堆积碳黑颗粒受热升温快，生成的CO/CO₂气体很快达到峰值，但氧扩散受限，气体达到峰值后缓慢下降。DPF载体传热缓慢，错流沉积碳黑颗粒氧化产生气体的出峰时间延后，但来流充分与颗粒接触，生成气体峰值大，再生迅速且效率高，排出的颗粒物数量浓度升高，且存在大粒径颗粒物释放现象。提高温度，两种堆积方式的氧化再生效率增加，实时效能比先升高后下降，存在最佳的加热时间。本文研究结果将为探索DPF再生时出口颗粒排放特性，颗粒物来源分析奠定理论基础和实验参考。     

非线性再生散度模型的几何结构及其渐近推断

本文基于唐年胜等（1999）对非线性再生散度模型在欧氏空间建立的微分几何结构导出了与估计有关的随机展开以及与统计曲率有关的若干渐近推断，推广了韦博成等人关于非线性回归模型和指数族非线性模型的相应结果。     

一类具有空间扩散的SEIAV模型及其阈值动力学研究

本文在现有的模型基础上,考虑无症状感染者、游离病毒的传播及空间扩散等因素的影响,建立了一个扩展的SEAIV模型.在研究模型正解的存在性,并给出作为阈值的基本再生数R₀的前提下,对疾病的灭绝及持久的情况进行讨论,得到当R₀<1时模型的无病平衡点的稳定性以及R₀>1时地方病平衡点的稳定性,同时利用数值模拟进行验证.进一步讨论在R₀=1的情况下,模型的无病平衡点的全局吸引性.     

NH3选择性催化还原NOx的铜基小孔分子筛耐硫性能及再生研究

铜基小孔分子筛催化剂因其具有优异的氨气选择性催化还原氮氧化物(NH₃-SCR)活性、水热稳定性、氮气选择性和较宽的温度窗口等特点，成为当前国六标准柴油车的首选催化剂。但是，柴油车尾气中的硫氧化物对铜基小孔分子筛催化剂的催化活性影响很大，甚至导致催化剂发生不可逆失活。本文以铜基小孔分子筛催化剂的硫中毒机理为主线，简要介绍了铜基小孔分子筛催化剂的结构及活性位点研究现状，进一步对催化剂耐硫性能的改进及硫中毒催化剂再生机理的研究进展进行综述。基于铜基小孔分子筛催化剂硫中毒机理研究开展耐硫性能改进及再生工艺研究，以及多种中毒因子的协同影响及失活机制研究是未来铜基小孔分子筛实际应用于柴油车尾气氮氧化物超低排放的重要研究方向。     

基于非同分布样本的变参LUM在线分类（英文）

LUMs(Large-margin Unified Machines)在分类学习中受到广泛关注,LUMs是一类最大化间隔分类器,它提供了一种独特的软分类到硬分类转化的方式.本文研究的是基于独立不同分布样本和LUM损失函数的二分类在线学习算法.同时,在线算法的每一步迭代,涉及的LUM损失函数的参数是随着迭代在逐渐减小的.在这种假设下,我们基于再生核希尔伯特空间(RKHS),给出了在线算法的收敛阶.