风云三号C星全球导航卫星掩星探测仪首次实现北斗掩星探测

全球导航卫星掩星探测仪(GNOS)是国际首台北斗系统(BDS)和全球定位系统(GPS)双系统兼容掩星探测仪, 2013年9月23日随风云三号卫星C星(FY3 C)发射入轨, 目前已测得大量掩星数据. 介绍了FY3 C-GNOS的组成; 统计了2013年10月12日全天的FY3 C-GNOS掩星事件及其全球分布情况; 通过与GPS精密定轨结果进行对比分析, 测试了BDS在轨实时定位精度, 检验了BDS掩星产品的可靠性和一致性. 初步分析结果表明: 14颗BDS卫星在轨运营的条件下, BDS和GPS兼容掩星探测仪可将掩星事件数提高约33.3%; BDS实时定位平均偏差优于6 m, 标准偏差优于7 m; 5-25 km高度范围内, BDS与GPS内符合精度大气折射率优于2%, 温度优于2 K, 湿度优于1.5 g/kg, 压强优于2%, 电离层峰值密度优于15.6%. GNOS的在轨正常运行及BDS与GPS掩星定位精度及反演产品的一致性为北斗掩星探测的业务化运行奠定了基础.     

LLRF超导腔体控制系统的测试

中国科学院近代物理研究所自主研发的ADS注入器Ⅱ第一代高频低电平(LLRF)控制系统,工作频率为162.5 MHz;LLRF系统是由基于I/Q采样的正交解调技术构成的全数字闭环反馈控制系统,其主要功能是实现超导腔腔体电压幅值稳定控制、相位稳定控制与腔体谐振频率控制;LLRF控制系统在液氦温区超导腔上进行了系统稳定度和性能的在线测试,根据实验数据计算得超导腔体电压幅度稳定度为±3.4‰,相位稳定度为±0.3°,腔体表面峰值电场(Epk)能长时间稳定在25.1 MV/m。通过实验测试,检验了LLRF控制系统的性能,并对测试过程中出现的问题进行了分析,为将来超导腔LLRF控制系统运行积累了经验。     

Synthesis and Electronic Structure of Triazasubporphyrin with Peripherally Low Symmetric Push-pull Substitutions

Peripherally low symmetric substitution with electron-donating(EDG)and electron-withdrawing(EWG)substituents caused the rational modulation of geometric structure and even the electronic structure of triazasubporphyrin,the smallest 14πconjugated aza-porphyrinoids.Both structural characterization and spectroscopic investigation were discussed to provide an in-depth understanding of the relationship between peripheral push-pull substituents and SubPz core.     

硝酸根接枝诱导组装金红石相TiO2纳米束以增强光催化产氢（英文）

化石燃料的快速消耗加速了全球能源危机和环境污染等问题.光催化产氢直接利用清洁和可持续的太阳能实现向化学燃料的转化,因而成为一种有前景的技术.众多半导体光催化剂中,二氧化钛因其高光催化活性、稳定的化学性质、低成本和无毒等优势而被广泛用作分解水产氢的光催化剂.最近,金红石相TiO2纳米晶体在某些情况下被证明具有光催化的潜力,然而其光生电子-空穴对的快速复合显著抑制了光催化效率.表面修饰、构建异质结和负载助催化剂等策略被用来提高光生载流子的分离效率以减少复合损失,从而提升光催化活性.由于光催化反应通常发生在光催化剂的表面活性位点上,因此通过改善表面性质改变电荷转移途径对光催化活性具有重要影响.磷酸、硫酸、硼酸和盐酸等无机酸的修饰可以改变光催化剂的表面基团,分别通过促进表面羟基的形成和氧气的吸附以及改变表面电荷性质更有效地捕获空穴,实现光生电子和空穴的分离,有助于光催化降解有机污染物.然而,这种影响机制显然不适用于光催化产氢体系,目前对无机酸修饰用于分解水产氢的研究鲜有报道.因此,通过酸改性策略制备高效产氢的光催化剂仍然是一个相当大的挑战.本文利用硝酸诱导策略合成纺锤状金红石相二氧化钛纳米束(R-TiO2).首先,制备层状质子化钛酸盐(LPT)作为TiO2的前体,随后,加入浓硝酸以诱导向金红石相TiO2的转变,并组装形成纺锤状纳米束.对照实验显示,硝酸的酸化可以诱导LPT向金红石相TiO2的转变,而相同条件下浓硝酸后处理不会引起晶相的转变.纺锤形纳米束的形成源于,硝酸诱导R-TiO2沿(110)方向生长并彼此粘附,硝酸诱导组装过程成功在TiO2表面修饰上硝酸根,同时扩大了光吸收范围,有效减少了电荷复合损失.光催化产氢测试证明了R-TiO2光催化剂具有高效的产氢性能,产氢速率为402.4μmol h-1,是Degussa P25的3.1倍,并且显著高于未经浓硝酸处理的锐钛矿(52.0μmol h^-1)或金红石相(110.8μmol h^-1)光催化剂.为了说明表面硝酸根的影响,分别从晶体和化学结构、形态以及表面电荷性质方面比较了光催化反应前后的变化,结果表明,R-TiO2增强的光催化效率可归因于硝酸根基团的负场效应,有利于在表面上捕获带正电的质子以促进载流子分离,提高光催化产氢的效率.总之,本工作不仅对于发展表面修饰策略制备高效产氢光催化剂的研究具有重要意义,而且提出了一种不同于文献报道的无机酸影响机制.     

牛奶中碳、氮、氢和氧稳定同位素比的测定及其在产地溯源分析中的应用

应用元素分析-同位素质谱仪(EA-IRMS)和多用途气体制备-连续流稳定同位素质谱仪(GasBench-IRMS)分别测定了来自国内外7个不同国家(澳大利亚、新西兰、西班牙、德国、奥地利、意大利和中国)的83件牛奶样品中碳、氮、氢、氧的稳定同位素比值(δ13 C、δ15 N、δ2 H和δ18 O)。对所测得的数据用SPSS 20.0软件分别进行了方差分析、聚类分析以及牛奶产地的判别分析。从所得结果可见,上述4项稳定同位素比值中的每一项都可获得相关牛奶样品产地来源的若干信息,但还不足以作为相关牛奶样品的溯源地判别的充分依据。而将测试结果进行组合后,对δ13 C、δ15 N和δ2 H三项指标组合交叉检验整体判别正确率达到84.3%,据此采用3项组合指标对牛奶产地进行判别分析,并在此项组合指标的基础上建立了产自7个国家的牛奶的判别模型。对自来这7个不同国家的牛奶盲样进行判别时,可将所测得样品中上述3项稳定同位素的δ值代入所建立的模型中,并比较各模型所得的Y值的大小,其中Y值最大的,即归属于此模型所代表的国家。     

含2,6-二甲酰胺基吡啶单元的大环合成、结构及其对四面体构型阴离子的络合性质

采用前体二胺N,N’-(3-胺基苯基)-2,6-二甲酰亚胺吡啶(1)和5,5’-亚甲基双水杨醛(2)进行缩合反应得到含酚羟基的 [1+1] 席夫碱大环L1, 将其中席夫碱C=N双键还原得到环状骨架更具柔性的饱和大环L2. 通过1H NMR、FABMS和元素分析等对大环组成进行了表征, 并通过X射线单晶衍射解析了两个大环的晶体结构. 采用UV-Vis 光谱滴定技术对大环与系列阴离子的络合作用进行了考察, 结果表明席夫碱大环L1对四面体构型的阴离子H2PO4-、 HP2O73-和H2P2O72-有明显的选择性识别作用, 进一步通过UV-Vis 光谱、核磁滴定等技术获得了识别反应的配位比及平衡常数(K), L1对3个磷酸阴离子的络合能力依H2PO4-、HP2O73-和H2P2O72-顺序递增。     

P-手性膦氧化物的不对称催化合成研究进展

P-手性膦氧类化合物在药物化学、有机合成化学、生命及材料科学等领域具有重要的应用价值和潜能,是一类受到广泛关注的优势结构.近年来,针对这一结构的不对称催化构建取得了显著进展.本综述旨在从三级膦氧化物的去对称化反应和（动态）动力学拆分反应以及二级膦氧化物参与的不对称反应三种策略出发,介绍目前用于构建P-手性膦氧化物的不对称催化合成方法及最新研究进展.藉此也对这些反应的机理及其优势与不足之处进行简要讨论,为从事有机合成和有机膦化学相关的研究人员提供一些有益参考和借鉴.     

3-仲氨基氧杂环丁烷-3-腈衍生物的合成

以仲胺、氧杂环丁-3-酮和三甲基氰硅烷为原料,无水甲醇为溶剂,无需催化剂,一步反应合成目标化合物3-仲氨基氧杂环丁烷-3-腈衍生物（1a~1d）,产物结构经1H NMR和ESI-MS表征。并以异吲哚啉、氧杂环丁-3-酮和三甲基氰硅烷的反应为模型反应,考察影响产物1a收率的主要因素,确定最佳反应条件为：物料摩尔比为n（异吲哚啉）: n（氧杂环丁-3-酮）: n（三甲基氰硅烷）= 2.0 : 1 : 2.5;反应溶剂为无水甲醇,在65 ℃反应6 h。在最佳反应条件下,化合物1a收率78.3 %。对于目标化合物的应用进行了研究,发现化合物1a与苯基溴化镁在四氢呋喃溶剂中,室温反应5 h,得到2-(3-苯基氧杂环丁烷-3-基)异吲哚啉（4）和 [3-(异吲哚啉-2-基) 氧杂环丁烷-3-基](苯基)甲酮（5）,收率分别为40.1 %和31.5 %。     

人工智能助力当代化学研究

以机器学习为代表的人工智能在当代的科学研究中正在发挥越来越重要的作用.不同于传统的计算机程序,机器学习人工智能可以通过对大量数据的反复分析和自身模型的优化,即“学习”过程,从而在大量的数据中寻找客观事物的相互联系,形成具有更好预测和决策能力的新模型,做出合理的判断.化学研究的特点恰恰是机器学习人工智能的强项.化学研究经常要面对十分复杂的物质体系和实验过程,从而很难通过化学物理原理进行精准的分析和判断.人工智能可以挖掘化学实验中产生的海量实验数据的相关性,帮助化学家做出合理分析预测,大大加速化学研发过程.本文介绍了当代人工智能方法及用其解决化学问题基本原理,并通过具体案例展示了人工智能辅助解决不同化学研发问题的方法以及对应的机器学习算法.将人工智能运用在化学科学的尝试正处于蓬勃上升期,人工智能已经初步展示出对化学研究的强大助力,希望本文能帮助更多的国内的化学工作者了解和运用这一有力的工具.