中空介孔SiO2纳米球的制备、改性及其对Al3+荧光识别研究

中空介孔SiO2由于中空多孔的结构而常用作功能材料的基底.将中空介孔SiO2进行官能团修饰,并应用为荧光传感材料是中空介孔SiO2一个重要的研究领域.本论文采用聚丙烯酸(PAA)为中空模板,聚醚F127为造孔剂,正硅酸乙酯(TEOS)为硅源,氨水为催化剂在乙醇体系中制备了中空介孔SiO2纳米球.系统研究了搅拌速度和聚醚F127引入量对中空介孔SiO2纳米球形貌及比表面积的影响.通过透射电镜、N2-等温吸附脱附曲线等表征说明该合成方法具有很好的普适性,通过调节F127的引入可以实现对比表面积的有效控制.通过氨基化、席夫碱反应进行荧光修饰,进一步研究表明荧光修饰后的中空介孔SiO2纳米球在水溶液中能够实现对Al3+的有效检测,检测限为1.19×10 -7M.     

纳米CeO2吸附剂的制备及对六价铬的吸附性能

吸附法是去除水中重金属离子的重要方法,开发新型吸附剂一直是研究热点.利用浸渍法和水热法制备了片状和无定形的纳米CeO2吸附剂,探讨其对六价铬的吸附性能,分析pH、吸附时间、六价铬初始浓度等因素对其吸附性能的影响,并通过循环吸附实验考察纳米CeO2吸附剂的再生能力.结果表明:厚度30 nm、直径大小约为400 nm的片状CeO2吸附剂具有更强的吸附能力和更快的吸附速率,80 min时基本达到吸附平衡;两种吸附剂的最佳吸附pH为3;吸附动力学均符合伪二级动力学方程,Langmuir模型和Freundlich模型均能很好地拟合等温吸附过程,表明纳米CeO2对六价铬的吸附以单层吸附为主.片状CeO2四次吸附-解吸实验之后吸附率稍有下降,表明片状CeO2吸附剂有较好的再生能力,因而,该片状CeO2吸附剂适用于与酸性Cr(Ⅵ)废水的处理.     

爆炸加载下混凝土表面的裂纹扩展

为深入研究内爆加载下岩土类材料的破坏机理，提出了一种新的爆炸裂纹检测算法，采用数字图像相关方法测量表面位移场和应变场，建立了裂纹扩展和扩张模型，并通过混凝土内爆试验观测裂纹扩展过程，研究了裂纹长度扩展与宽度扩张规律。结果表明，裂纹长度扩展是应力波和爆生气体共同作用的结果，裂纹最大扩展速度为225.95 m/s，平均速度为122.27 m/s，裂纹总长159.92 mm，长度扩展止于1.75 ms；裂纹的张开由气体主导，最大宽度1.59 mm，作用时间长达4.5 ms；拉应变集中区先于裂纹出现，其形状决定了裂纹的走向和趋势，爆炸加载下断裂过程区长度为骨料粒径的8～9倍。     

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.     

Theoretical study of (e,2e) triple differential cross sections of pyrimidine and tetrahydrofurfuryl alcohol molecules using multi-center distorted-wave method

We report theoretical studies of electron impact triple differential cross sections of two bio-molecules,pyrimidine and tetrahydrofurfuryl alcohol,in the coplanar asymmetric kinematic conditions with the impact energy of 250 eV and ejected electron energy of 20 eV at three scattering angles of-5°,-10°,and-15°.Present multi-center distorted-wave method well describes the experimental data,which was obtained by performing(e,2e)experiment.The calculations show that the secondary electron produced by the primary impact electron is strongly influenced by the molecular ionic multi-center potential,which must be considered when the low energy electron interacts with DNA analogues.     

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。     

限域量子态调控研究

电子、激子和声子等量子态在固体中的行为早已被人们所熟知. 然而，当体系的尺寸只有纳米量级的时候，已有的固体理论常常不能适用，需要新的低维物理理论的建立. 我们系统研究了低维体系限域量子态（包括电子、激子和声子）的行为对环境、应力、压力及光的响应和性质的调控. 较早认识到低维体系之显著的表面-体积比对量子态性质调控之有效性，系统地揭示了低维体系的一系列由表面和应力决定的新颖性质，证明了低维体系的表面和应力效应同量子限域效应同等重要. 本文概况了如下五个方面的结果：（1）一种使用应力效应调控电子能带结构的方法和（2）一种使用表面效应调控电子能带结构的方法（这两个方法都可将低维体系能带从间接能隙调控至直接能隙能带结构）；（3）一种低维体系表面掺杂方法，该方法将在低维体系掺杂中取代传统方法；（4）量子点表面诱导的光致异构现象；（5）基于表面自催化半导体低维结构的形成机理. 希望我们的研究工作有助于促进低维体系在光电子、纳电子、环境、能源、生物和医学等领域的应用.     

Eu:Lu2O3透明闪烁陶瓷的制备与性能

采用湿化学法合成了Eu原子掺量5%的Lu₂O₃陶瓷前驱体,通过SEM、XRD研究了煅烧前后前驱体和1 100 ℃煅烧4 h后粉体的形貌、结构以及物相。结果表明煅烧后的粉体为纳米类球形、高分散且结晶性良好的颗粒。颗粒尺寸为68.5 nm。使用煅烧后的粉体为原料,在1 650 ℃真空烧结30 h制备了高透过率的Eu:Lu₂O₃陶瓷,晶粒尺寸为46 μm,在611 nm处的直线透过率可以达到66.3%。此外对陶瓷的吸收曲线、光致激发和发射光谱特性以及X射线激发发射光谱进行研究。可观察到,Eu:Lu₂O₃陶瓷存在基质和激活离子两类吸收,光致发光光谱和X射线激发发射光谱均可以看出Eu:Lu₂O₃陶瓷存在极强的⁵D₀→⁷F₂跃迁发光,位于611 nm处。对比商业的BGO单晶的X射线发射光谱,可得本实验中制备的陶瓷的光输出为85 000 ph/MeV。Eu:Lu₂O₃陶瓷本身有着高X射线以及高能粒子的阻止能力,结合高光输出特性,表明Eu:Lu₂O₃陶瓷在X射线成像等领域具有巨大的潜在应用价值。     

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。