库仑-称重法及其测量电镀锡板镀层厚度的研究

建立并应用库仑-称重法测量电镀锡板镀层.该法不需考虑库仑法中的电量、电流效率和电化当量等影响因素,同时克服了称重法在判断溶解终点时的盲目性,具有较高的精度,SD小于0.04g/m2,RSD不超过0.36%.     

直接乙醇燃料电池初探

采用商品化的PtRu/C和Pt/C分别作乙醇阳电极和氧气阴电极的催化剂 ,Nafion 115膜作固体电解质 ,组装成面积为 9cm2 的单池 .考察了电池温度、氧气压力、乙醇浓度及流量等对电池性能的影响 .实验结果表明在电池温度为 85℃ ,乙醇浓度为 1.0mol/L ,流量为 0 .5mL/min ,氧气压力为 0 .5MPa ,流量为 6 8mL/min条件下 ,电池开路电压为 0 .6 0 8V ,电流密度 5 0mA/cm2 时的放电端电压为 0 .32 9V ,电池最大功率密度为 19.2 5mW /cm2     

基于仪器线型订正的开放光程FTIR测量中的水汽谱在线扣除方法

水汽吸收分布于整个中红外波段,它的存在干扰红外光谱的定量分析。文章介绍了一种从傅里叶变换红外光谱仪的测量数据中扣除水汽干扰信号的新方法。该方法首先通过气象参数测量获得气压、温度和相对湿度,结合HITRAN数据库中提供的水汽线强、自展宽、空气展宽等参数,使用逐线积分方法计算出高分辨率水汽吸收谱,再通过仪器线型订正,合成出与仪器分辨率相匹配的水汽谱,将其作为干扰组分直接从测量所得到的含有水汽的混合光谱中扣除。对开放光程FTIR系统的实测数据的分析结果表明,使用该方法可以有效消除水汽干扰,扣除后的光谱包含待测组分的吸收特征和噪声。在开放光程FTIR等无法使用干燥设备去水的观测条件下,使用该方法可以达到较理想的水汽扣除效果。     

机载腔增强吸收光谱系统应用于大气NO_2空间高时间分辨率测量

介绍了一套用于机载平台测量的非相干宽带腔增强吸收光谱(IBBCEAS)系统,并应用于实际大气NO_2空间分布的高时间分辨率观测.为满足机载测量中对时间分辨率的需求,系统采用离轴抛物面镜代替消色差透镜提高光学耦合效率;并运用Allan方差,对系统性能进行了分析.通过腔增强吸收光谱系统与长光程吸收光谱系统对实际大气NO_2的对比测试,两者线性相关系数R~2达到0.86.将IBBCEAS系统应用于机载平台,在时间分辨率为2 s的情况下,探测限达到95 ppt(1σ).通过机载观测,获得了华北地区石家庄等地上空对流层大气NO_2的廓线信息.     

基于人工神经网络的傅里叶变换中红外光谱法对食用油油烟种类识别研究

随着餐饮业的发展,餐饮烟气已经成为某些城市三大空气污染源之一。由于餐饮烟气对人体健康威胁很大,近年来对餐饮烟气的研究愈来愈热。餐饮烟气中包含有大量食用油加热过程中裂解而产生的不饱和烃类,危害着人类健康。不同食用油裂解出来的成分以及含量有所不同,通过构建一定的分类识别数学模型,从而实现对食用油分类识别。采用自主研发的傅里叶变换红外光谱仪,采集了不同食用油油烟烟气红外光谱数据。同时构建了主成分分析(PCA)分别结合概率神经网络(PNN)以及误差反向传播人工神经网络(BPANN)的分类识别算法。将两种分类识别算法对不同食用油油烟烟气的傅里叶变换红外光谱数据进行分析。通过样本数据对数学模型进行训练,将训练好的数学模型对未知光谱数据进行分析,来确定产生油烟烟气的食用油种类。实验结果表明,两种算法都能对不同的油烟种类进行较好地分类识别。在全波段识别时,识别率分别达到90.25%和97.0%。通过对烟气光谱数据的吸收波段进行分析,提取大气窗口并且具有较强可挥发性有机物(VOCs)吸收特征的波段(1 300～700 cm-1以及3 000～2 600 cm-1);将吸光度数据分成两个分离的吸收波段,两种算法在3 000～2 600 cm-1波段都有较好的识别效果,PCA-PNN算法识别率为90.25%,PCA-BPANN算法识别率为92.25%。可见,两种人工神经网络算法都能有效对食用油烟种类进行识别。     

单脉冲和再加热正交双脉冲激光诱导击穿光谱对比研究

为了提高激光诱导击穿光谱技术(LIBS)的检测灵敏度和辐射光谱特性,采用再加热正交双脉冲结构对样品中的4种元素Fe,Pb,Ca和Mg以及含有不同浓度重金属元素Cr的土壤样品进行分析。研究了4条特征谱线FeⅠ：404.581 nm,PbⅠ：405.78 nm,CaⅠ：422.67 nm和MgⅠ：518.361 nm的光谱强度和信背比随两激光脉冲之间时间间隔的变化关系,获得了两激光脉冲之间最佳的时间间隔为1.0 μs。在单脉冲和双脉冲条件下,得到了4条特征谱线FeⅠ：404.581 nm,PbⅠ：405.78 nm,CaⅠ：422.67 nm和MgⅠ：518.361 nm光谱强度的增强倍数分别为2.23,2.31,2.42和2.10;分析了特征谱线FeⅠ：404.581 nm和CaⅠ：422.67 nm谱线强度随时间的演化特性以及4条特征谱线信背比随光谱采集延时的变化关系,双脉冲能有效延长光谱强度的衰减时间以及提高特征谱线的信背比;比较分析了等离子体温度和电子密度随时间的演化特性,在双脉冲条件下,等离子体温度最大升高了730 K,电子密度最大增加了1.8×1016 cm-3。单脉冲和双脉冲条件下获得重金属元素Cr的检测限分别为38和20 μg·g-1,再加热正交双脉冲技术使元素检测限下降近2倍。以上结果表明：再加热正交双脉冲能有效地提升LIBS技术的检测灵敏度和光谱特性,为进一步降低元素的检测限提供了有效的方法。     

基于激光诱导击穿光谱技术的土壤快速分类方法研究

为实现不同种类土壤的快速分类鉴别,实验研究了基于激光诱导击穿光谱技术的土壤快速分类方法。由于不同类型的土壤在元素组成上会存在较大差异,所以利用激光诱导击穿光谱技术进行土壤分类具有可行性。不同土壤在相同实验条件下产生的等离子体温度会存在较大差异,可以作为分类的重要依据,所选择的7类土壤中,赤红壤的等离子体温度最高。选取土壤中6种常量元素Si,Fe,Al,Mg,Ca和Ti的光谱强度作为分类指标,利用主成分分析(principal component analysis,PCA)对7种土类的25个样品进行了分类,其中砖红壤和赤红壤分类出现了交叠,而不同高山草甸土样品之间元素差异较大,并没有实现较好的聚类。利用反向传播神经网络(back-propagation artificial neural network)结合土壤的LIBS光谱对土壤进行了分类,分类结果与PCA结果相近,赤红壤与砖红壤出现了识别错误。当用PCA分析获得三个主成分值作为BP神经网络的输入量时,获得了较好的分类结果,因为简化了输入量,降低了BP神经网络的误差,此时只有一个高山草甸土被识别成褐土,而高山草甸土的等离子体温度显著低于褐土,所以结合不同土壤类型的等离子体温度差异,能够实现不同土壤的分类识别。实验证明激光诱导击穿光谱技术可以应用于土壤分类,为土壤普查和合理利用提高了一种新的技术。     

利用三维荧光结合平行因子算法研究金属离子对溶解性有机物的猝灭和校正

溶解性有机物的荧光组份由于受到金属离子的影响其荧光强度受到变化,从而为溶解性有机物的定量分析带来挑战。利用三维荧光结合平行因子分析方法研究了Cu(Ⅱ), Fe(Ⅲ), Ni(Ⅱ), Sr(Ⅱ), Hg(Ⅱ), K(Ⅰ), Mg(Ⅱ) 和Mn(Ⅱ)八个金属离子对典型溶解性有机物荧光组分的荧光猝灭作用,五个水样来源各不相同。实验表明水样被平行因子成功分解为三个荧光组分(色氨酸、腐殖酸、富里酸),这三个荧光组份的荧光得分随着Fe(Ⅲ), Cu(Ⅱ), Hg (Ⅱ)和 Ni(Ⅱ)浓度的增加呈线性或指数下降。在这四种离子中,Fe(Ⅲ)和Cu(Ⅱ)对腐殖酸和富里酸的荧光猝灭作用明显大于Hg (Ⅱ)和 Ni(Ⅱ)。Sr(Ⅱ), K(Ⅰ), Mg(Ⅱ)和Mn(Ⅱ)基本没有影响。其中Fe(Ⅲ)对于三个荧光组分的荧光猝灭都有较好的分析。由于只考虑Fe(Ⅲ) 和Cu(Ⅱ)的影响,对于含有金属离子的饮用水的荧光强度的校正曲线也被建立。不同来源的饮用水中荧光组份的荧光得分的衰减规律也是不一样的,因此水样的来源也是测量时需要考虑的因素。实验证实了金属离子对溶解性有机物的荧光猝灭作用以及其他因素比如Fe(Ⅲ) 和Cu(Ⅱ)和溶解性有机物本身的多样性都是我们荧光测量典型荧光组份时需要考虑的。表明三维荧光结合平行因子分析方法是一个有效的准确测量溶解性有机物荧光组份的工具。     

多环芳烃时间分辨荧光光谱特性研究

利用时间分辨荧光光谱技术,研究了菲、荧蒽、芴、蒽、芘等五种多环芳烃的荧光时间分辨发射光谱特性。以289 nm受激拉曼光作为激发光源,研究了289 nm激发光作用下五种多环芳烃的延时特性和门宽特性。并以多环芳烃随延时时间的荧光峰强度衰减关系曲线,得到菲、荧蒽、芴、芘的荧光寿命分别为37.0, 32.7, 10.9, 147.0 ns。不同荧光物质具有特定的荧光光谱特性,多环芳烃时间分辨荧光光谱特性的研究可以为复杂水体中不同种类多环芳烃的诊断提供依据。     

基于LASSO方法的傅里叶变换红外光谱快速定性识别方法

采用红外光谱技术对未知气体组分进行监测,需要对气体组分进行定性识别分析。基于多元线性回归模型的LASSO变量选择技术广泛应用于数据分析领域。将LASSO方法引入到红外光谱分析领域,提出一种LASSO变量选择技术结合循环线性最小二乘(LCLS)分析的定性识别方法,并开展了相关的实验对其进行验证。实验采集CO,C₂H₄,NH₃,C₃H₈,C₄H₁₀和C₆H₁₄六种单组分傅里叶变换红外(FTIR)光谱吸光度谱以及一组C₂H₄和NH₃混合组分的吸光度谱,结合实验室自建光谱数据库,先采用LASSO方法对采集的光谱进行初步定性分析,然后使用LCLS方法剔除干扰组分。实验结果表明,LASSO结合LCLS的方法能有效识别出光谱中的目标组分,即使是在干扰严重的光谱波段也可以剔除掉大部分的干扰组分。