排序方式: 共有37条查询结果,搜索用时 9 毫秒
11.
12.
13.
利用太阳能光催化还原CO2和H2O到燃料和化学品是一条极具吸引力但又充满挑战性的转化途径.迄今为止,只有非常有限的光催化剂已经被报道可以在可见光照射下光催化还原CO2.局部表面等离子体共振(LSPR)现象可以被用作一种有效的开发可见光催化剂的策略.贵金属Au,Ag,Pt等的LSPR现象已经被较为广泛的研究,并应用于光催化、光热、气敏等多种领域.而低价态金属自掺杂的金属氧化物,如MoO3-x和WO3-x,也被证明具有LSPR现象,可用于开发更加廉价的可见光催化剂.本文通过简单的溶剂热法成功合成了低价态Mo自掺杂的MoO3-x纳米片催化剂,并在合成过程中原位加入TiO2纳米颗粒(TiO2-NP)和TiO2纳米棒(TiO2-NT),构建了MoO3-x-TiO2纳米复合物.电镜表征显示,MoO3-x-TiO 相似文献
14.
15.
用浸渍法制备了镍铁氧体/碳纳米管(NF/MWNTs)复合材料。用XRD、SEM、TEM、VSM、UV-Vis等表征了样品的组成、结构、形貌、磁性能和吸附性能。结果表明,制备的NF/MWNTs复合材料保留了碳纳米管优良的吸附性能,且具有良好的镍铁氧体负载率和优异的磁性能。质量比(mNF/mMWNTs)为1的NF/MWNTs复合材料对亚甲基蓝溶液的最大吸附容量为18.87 mg·g-1,其吸附行为符合Langmuir和Freundlich模型。NF/MWNTs复合材料对亚甲基蓝溶液的脱色率与溶液温度和pH值呈正相关性。此外,NF/MWNTs复合材料回收容易,活化处理简便,可重复使用。 相似文献
16.
报道了一种HCl存在时温和条件下的乙烷氧化脱氢制乙烯催化转化新途径. 研究发现,在多种金属氧化物催化剂中,CeO2呈现最佳乙烯生成的催化性能. 与纳米粒子相比,具有棒状和立方体状形貌的CeO2纳米晶具有较高的乙烷转化率和乙烯选择性. 以MnOx修饰CeO2可进一步提高催化性能. 在8 wt% MnOx-CeO2催化剂上,723K反应2 h时乙烷转化率和乙烯选择性分别为94%和69%. 该催化剂性能稳定,反应100 h乙烯收率可保持在65%-70%. HCl的存在对乙烯的选择性生成起着至关重要的作用,一部分乙烯来自于氯乙烷的脱HCl反应. 相似文献
17.
用浸渍法制备了镍铁氧体/碳纳米管(NF/MWNTs)复合材料。用XRD、SEM、TEM、VSM、UV-Vis等表征了样品的组成、结构、形貌、磁性能和吸附性能。结果表明,制备的NF/MWNTs复合材料保留了碳纳米管优良的吸附性能,且具有良好的镍铁氧体负载率和优异的磁性能。质量比(mNF/mMWNTs)为1的NF/MWNTs复合物对亚甲基蓝溶液的最大吸附容量为18.87mg·g-1,其吸附行为符合Langmuir和Freundlich模型。NF/MWNTs复合材料对亚甲基蓝溶液的脱色率与溶液温度和pH值呈正相关性。此外,NF/MWNTs复合材料回收容易,活化处理简便,可重复使用。 相似文献
18.
19.
为明确深亚微米NMOS器件抗辐照能力以及研究其加固措施, 本文对0.18 μm窄沟NMOS晶体管进行了60Coγ总剂量辐射效应研究. 结果表明: 和宽沟器件不同, 阈值电压、跨导、漏源电导对总剂量辐照敏感, 此现象被称之为辐射感生窄沟道效应; 相比较栅氧化层, 器件隔离氧化层对总剂量辐照更敏感; 窄沟道NMOS器件阈值电压不仅和沟道耗尽区电荷有关, 寄生晶体管耗尽区电荷对其影响也不可忽略, 而辐照引起源漏之间寄生晶体管开启, 形成漏电通道, 正是导致漏电流、亚阈斜率等参数变化的原因.
关键词:
0.18μmm
窄沟NMOS晶体管
60Coγ辐照')" href="#">60Coγ辐照
辐射感生窄沟道效应 相似文献
20.
光谱技术与机器学习算法结合快速识别微塑料, 为微塑料的现场检测提供了极大的技术支持,是一个得到极大关注的新领域。近红外光谱检测技术具有检测速度快、灵敏度高、不损坏样品,且可以在不对样品进行预处理的情况下直接检测等特点,在化学分析、质量检测等领域广泛应用。本文基于近红外光谱检测技术,研究比较了结合Support Vector Machine(SVM)和Extreme Gradient Boosting(XGBoost)两种机器学习分类算法,构建微塑料的高速有效识别分类模型。采用微型近红外光谱仪采集了20种常见的微塑料标准样品的光谱数据,为了防止过拟合,对每种样品多次采样,共收集了1 260个微塑料样本,每个样本包含512个数据点。利用XGBoost算法进行特征重要性排序,共提取了对识别准确率影响较大的65个数据点。分别采用SVM算法和XGBoost算法对数据降维后提取的65个数据点建立微塑料快速识别模型,并运用网格搜索(GridSearchCV)对XGBoost算法影响较大的超参数进行选取,确定n_estimators,learning_rate,min_child_weigh,max_depth,gamma的最佳超参数分别为700,0.07,1,1,0.0。为了提高模型的稳定性,识别速率和泛化能力,对模型采用10折交叉验证和混淆矩阵评估;研究结果表明,XGBoost模型对微塑料的识别准确率为97%,而SVM模型对微塑料的识别准确率为95%;XGBoost模型对微塑料识别的正确率优于SVM模型。综上所述,XGBoost模型微塑料识别整体性能优于SVM模型,为实际微塑料快速识别提供技术支撑。 相似文献