多形貌中空介孔SiO2的可控合成及复合物对Cu2+的吸附还原

以间苯二酚/甲醛(RF)树脂为软模板, 正硅酸乙酯(TEOS)为硅源, 十六烷基三甲基溴化铵(CTAB)为制孔剂, 采用一锅溶胶-凝胶法制备了多形貌中空介孔二氧化硅微球(HMSM). 通过改变甲醛用量调控软模板RF树脂的结构, 可以获得一系列不同形貌及结构的HMSM, 随着甲醛用量的增加, HMSM结构表现为单层壳空心球、 蛋黄壳空心球、 双层壳空心球等结构. 其中具有蛋黄壳空心球结构的HMSM比表面积可达691 m ²/g, 孔体积达2.23 cm ³/g, 孔径均匀(3.5 nm). 以硝酸铈铵为引发剂, 在具有蛋黄壳空心球结构的HMSM中引发丙烯腈自由基聚合, 并将支链聚丙烯腈上的氰基偕胺肟化, 制得HMSM接枝聚偕胺肟(HMSM-g-PAO). 以100 mg/L的CuCl₂溶液为目标溶液, 在pH=4.0时测试合成的HMSM-g-PAO对Cu ²⁺的吸附效果, 发现吸附平衡时Cu ²⁺吸附量达134 mg/g.     

微量Co修饰的碳载超细Pt纳米粒子的制备及其在燃料电池氧还原催化中的应用

质子交换膜燃料电池(PEMFC)具有清洁、高效等优点,是一种理想的汽车动力电源.然而,由于其阴极氧还原反应(ORR)速率缓慢,需要使用大量的Pt基催化剂,导致燃料电池成本居高不下,严重制约了PEMFC的商业化发展.将Pt与过渡金属Fe, Co, Ni等形成合金,对表面Pt原子的几何结构和电子结构进行调变,可以有效提高催化剂的活性,实现Pt用量和燃料电池成本的降低.但是目前合金催化剂多采用溶剂热、浸渍-高温退火等制备方法,使用有毒有害试剂和难清洗的表面活性剂,且过程复杂、能耗高,不利于大规模化生产.此外,合金中过渡金属占比高,在燃料电池工况下,大量过渡金属溶解,加速了膜的降解,导致实际PEMFC性能的降低.对此,我们探索了一种简便有效的方法制备高活性、高稳定性的碳载Pt-Co催化剂.在没有添加表面活性剂的情况下,采用硼氢化钠辅助乙二醇还原法合成了具有超小尺寸和均匀分布的Pt-Co纳米颗粒,后续酸刻蚀处理去除不稳定的Co原子,重组双金属纳米颗粒的表面结构形成富Pt壳层,进一步提高了催化剂的活性和稳定性.通过电感耦合等离子体、X射线粉末衍射、透射电子显微镜、高分辨透射电子显微镜、高角环形暗场-扫描透射-元素分布及光电子能谱等物理表征证实了微量Co改性的碳载超细铂合金纳米颗粒的组成和结构.进一步对催化剂进行旋转圆盘电极和单电池测试,结果表明, Pt_(36)Co/C具有明显高于商业化Pt/C的有效电化学活性面积和电池性能.此外,加速衰减测试和衰减前后的电镜图片表明, Pt_(36)Co/C催化剂的稳定性相较于Pt/C亦有所增强.分析Pt-Co/C催化性能提高的原因,主要归于以下三点:(1)催化剂纳米颗粒在载体上分布均匀,且具有超小的粒径尺寸,提供了大量的三相反应界面位点;(2)双金属配体和电子效应的协同作用,降低了氧化物质在催化表面的吸附能力,加速了ORR的电催化动力学;(3)酸蚀刻导致的不稳定Co的溶解及催化剂表面结构的重排,形成了富Pt壳层结构,有利于提高催化剂的稳定性.这种简单有效的合金制备方法可以在电催化领域推广使用.     

复杂势场量子弹球中疤痕态的量子化条件

量子疤痕是波函数在经典不稳定周期轨道周围反常凝聚的一种量子或波动现象.人们对疤痕态的量子化条件进行了大量研究,对深入理解半经典量子化起到了一定的促进作用.之前大部分研究工作主要集中在硬墙量子弹球上,即给定边界形状的无穷深量子势阱系统.本文研究具有光滑复杂势场的二维量子弹球系统,考察疤痕态的量子化条件及其重复出现的规律,得到了与硬墙弹球不一样的结果,对理解这类现象是一个有益的补充.这些结果将有助于理解具有无规长程杂质分布的二维电子系统的态密度谱和输运行为.     

桉树杂交种与其亲本的近红外光谱判别

研究桉树控制授粉后目标性状的基因作用方式是探索其基因重组规律的重要内容。常规的数量统计分析精度往往不高,而DNA分析的专业要求高,且费时费力。该研究利用近红外光谱(NIRs)研究不同基因型桉树杂交种、亲本及杂交种与亲本间近红外光谱信息的关系,探索NIRs用于桉树杂交种与其亲本判别的可行性和准确性。以控制授粉的桉树亲本及其杂交F1代材料为对象,每种基因型从各自田间试验分别选取10个单株,采集树冠中上部新鲜健康叶片。用手持式近红外仪Phazir Rx(1624)采集桉树杂交种与其亲本叶片的NIRs信息。每单株选10片完全生理成熟的健康叶片,避开叶脉扫描其正面光谱5次,以50条NIRs信息的均值代表单个叶片的NIRs信息,最终每个基因型获得10条NIRs信息。对原始NIRs采用二阶多项式S.G一阶导数预处理。预处理后的NIRs用于多元统计分析,首先对桉树杂交亲本和子代样本进行主成分分析(PCA),直观展示不同基因型的分类情况。然后运用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种有监督的判别模式验证NIRs用于桉树杂交种与其亲本树种的分类判别效果。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的主因子得分可以清晰地将各基因型分开。SIMCA模式判别分析中,桉树杂交种样本到亲本PCA模型的样本距离显示,待判别样本能够形成单独的聚类,且能直观反映两者的遗传相似。PLS-DA判别结果显示,桉树杂交亲本的PLS模型能通过预测其杂交子代的响应变量将其与亲本准确分开。结果表明,桉树叶片的NIRs信息可以准确地反映桉树杂交子代遗传信息的传递规律,NIRs判别模型可以准确地将各种基因型予以区分。因此,NIRs信息不仅可用于桉树杂交种和纯种的定性判别,还可以分析桉树基因重组过程中加性遗传效应的大小,从而为桉树遗传基础分析及其育种改良研究提供理论支撑。     

高维数据均值的统计监测

本文,我们结合统计过程控制方法,使用一种新的统计量用于在样本数量不充足的情况下监测高维数据。统计量利用样本协方差规范化技术避免协方差矩阵的奇异性,同时采用软阈值技术来挑选多维数据中重要的维度进行监测以减少监测噪音。本文在提出统计量后用matlab随机产生各种维度的高维数据样本进行仿真分析,并将该统计量与基于Hotelling T~2并采取广义逆矩阵的统计量进行比较。结果表明,本文使用的统计量的监测效果优于采取广义逆矩阵的方法。本文提出的方法可以应用于多指标产品生产的快速异常检测,特别是难以得到大量检测数据的产品,如检测需要破坏产品本身或者检测成本太高的产品。     

借助液体透射电镜原位分析钯纳米棒的可控性氧化刻蚀

借助原位液体透射电镜,我们观察并研究了钯纳米棒溶液环境下的氧化刻蚀的微观行为及机理。通过改变钯纳米棒所处的液体环境,有效地控制了钯纳米棒的氧化刻蚀行为。由于端部具有较高的反应活性,钯纳米棒在氯化铁溶液中的氧化刻蚀会选择沿着轴向进行,具有明显的各向异性。当反应在超薄液层进行时,钯纳米棒的氧化刻蚀会变为准各向同性。这种行为是由于超薄溶液中溶解产物以及氧化物的扩散被抑制,在纳米棒端部选择性发生的氧化刻蚀会受到阻碍。最后,我们发现在钯纳米棒端部选择性沉积金,可以保护纳米棒的端部不受氧化,从而能控制刻蚀沿着钯纳米棒的径向进行。本文的研究结果对贵金属纳米晶的结构参数的精确调控以利于实际应用具有重要的意义。     

预嵌锂硬碳和软碳用于锂离子电容器负极的比较研究

锂离子电容器是一种应用前景广阔的电化学储能器件.目前,活性炭作为锂离子电容器正极被广泛使用.然而,锂离子电容器负极却有多种不同选择,如硬碳和软碳等碳材料.本文使用两种具有不同结构和电化学特性的硬碳和软碳材料作为锂离子电容器负极,进行了对比研究.研究表明,软碳相比于硬碳有更好的电子导电性和更高的可逆容量.通过在电流范围0.1～12 A·g~(-1)下进行充放电测试,分别研究了两种碳基电极在不同涂覆厚度下的倍率性能.结果显示,硬碳电极在大电流下有更好的倍率特性.然后,以活性炭为正极,预嵌锂的硬碳和软碳为负极,锂片为锂源和参比电极,分别组装了三电极软包锂离子电容器.根据三电极充放电测试,分别研究了不同预嵌锂量的硬碳和软碳所组装的锂离子电容器的电化学性能.结果表明,合适的负极预嵌锂容量可以提升锂电容的能量密度、功率密度和循环稳定性.最后,大容量硬碳和软碳基软包锂离子电容器被分别组装,软碳基锂电容实现了最高的能量密度21.2 Wh·kg~(-1)(基于整个器件质量),硬碳基锂电容实现最高的功率密度5.1 kW·kg~(-1).     

基于智能算法的CR39径迹刻蚀过程模拟

CR39可以用于激光等离子物理实验中的离子探测，并给出离子数目、种类和能量信息。通过采用唯象模型，利用离子在CR39中径迹形成的阻止本领动力学方程以及粒子群智能算法对径迹形成的过程进行了数值化模拟，研究了CR39中离子径迹在刻蚀过程中的演化过程，获得了入射离子能量和径迹直径、深度的对应关系，并且发现当离子射程与刻蚀深度相等时，径迹深度最大，给出了利用总刻蚀时间计算最大径迹深度对应的临界能量的公式。     

(∈,∈ Vq)-模糊软格

将模糊软集的概念与格相结合,引入了(∈,∈Vq)-模糊软格和(∈,∈Vq)-模糊软格的(∈,∈Vq)-模糊软子格的概念,给出了它们的若干代数性质.定义了格的模糊软同态概念,证明了(∈,∈Vq)-模糊软格在格的一个模糊软同态下的像与原像仍为(∈,∈Vq)-模糊软格的结论.     

基于LSTM的浮选钼精矿品位软测量模型

战略性稀有金属钼矿品位低,组分复杂、嵌布粒度细等特点,其有价金属分离回收难。浮选作为微细粒钼矿分离回收的主要选矿方法之一,其浮选钼精矿品位一直是选厂的关键性产品指标。国内大多数选厂采取轮班制采样,人工化验得到精矿品位结果,但此方式严重滞后于浮选工艺,难以满足对生产过程进行实时监测和操作指导。LSTM是一种特殊的循环神经网络,引入门机制有效的传递或选择性遗忘长时间序列中的信息,解决RNN中的长期依赖、梯度消失和爆炸问题。本文分析整理东坡选厂中各平台源数据,结合选厂浮选工艺及机理,筛选出多个影响浮选钼精矿品位的变量作为模型输入;将输入变量进行异常值判定,缺失值填充和数据降噪等数据预处理,建立高质量浮选钼精矿品位数据库;软测量模型采用PyCharm软件编码,使用BatchNorm批量规范化处理样本数据,加入Dropout正则化防止过拟合,建立基于LSTM的浮选钼精矿品位软测量模型,通过前向传播算法更新神经网络结构参数,并于Linear模型和CNN模型的预测性能指标结果比较。结果表明：基于LSTM的浮选钼精矿品位软测量模型预测准确度高,样本数据误差波动平稳,浮动范围小,模型泛化能力强,模型平均绝对百分比误差MAPE为1.13%,均方根误差RMSE为0.7049%,决定系数R2为0.8763,实现了浮选钼精矿品位的在线预测。