烷烃与疏水固体界面超小水滴的制备与生长规律

在"水-油-固"多相体系中,以液态直链烷烃为油相,利用自发形成法制备了油-固界面超小水滴,探究了油相性质对界面超小水滴生长规律的影响并系统表征了界面超小水滴随着时间的生长变化情况.利用光学显微镜跟踪观察了从正庚烷到正十六烷10种直链烷烃与疏水玻璃构成的油-固界面,发现油相上层的水分子能穿过油层抵达固体基底表面进而形成超小水滴,但并未观察到烷烃碳链长度改变引起的超小水滴的规律性变化.利用具有高分辨率的激光扫描共聚焦显微镜对界面超小水滴的形貌、位置及生长情况进行了系统表征,发现界面超小水滴位于油-固界面,呈现球缺状形貌,水滴尺寸随着时间的延长而增大,相近水滴有融合现象,当水滴与油膜厚度接近时水滴冲破油膜而消失.结合Imaris软件统计界面超小水滴的总体积,探究了界面总水量随时间变化情况,发现界面超小水滴形成过程可分为生长、稳定和退化3个阶段.本文扩展了"水-油-固"多相体系自发形成界面超小水滴的油相选择范围,建立了新模型,为制备界面超小液滴提供了新方法,也为微纳尺度润湿理论研究提供了实验依据.     

FeO+(6Σ+)催化CO还原N2O的理论研究

在B3LYP/6-311+G(2d)//B3LYP/6-31G(d)计算水平下, 考察了FeO+(6Σ+)分子如何催化CO还原N2O微观机理. 计算结果表明, FeO+(6Σ+)是一种有效的催化剂, 其可从N2O中夺取一个O原子, 然后再传递给CO, 完成整个氧转移过程. 结果发现, 反应中可能生成各种过氧[Fe(O2)+]或双端氧(OFeO+)物种, 其中前者比较稳定, 后者更活泼.     

ρ~-混合序列的H～jeck-Rènyi型不等式及其应用

利用ρ-混合序列的Rosenthal型最大值不等式,得到了ρ-混合随机变量序列的Hájeck-Rènyi型不等式,三级数定理和Chung型强大数律,所得结果达到了独立时一致的结果.     

ρˉ混合序列的H～jeck-Rènyi型不等式及其应用

利用ρ-混合序列的Rosenthal型最大值不等式,得到了ρ-混合随机变量序列的Hájeck-Rènyi型不等式,三级数定理和Chung型强大数律,所得结果达到了独立时一致的结果.     

Ag2S2O7/Ag2O纳米颗粒异质结构的制备及其太阳光全光谱光催化降解应用

Ag2O是优良的感光材料,很少作为光催化材料,而常被用作光催化材料的共催化剂.此外,由于Ag2O禁带宽度窄,且可有效吸收近红外光,因而不能用于全太阳光谱的光催化应用中.同时很少被用作NIR催化剂.本文中不仅研究了纳米Ag2O颗粒的UV-Vis光催化性能,而且还系统探究了其NIR光催化活性.由于在紫外线和可见光的照射下,Ag2O纳米颗粒易发生光还原失活,因而对Ag2O表面硫化处理,使其表面上生长Ag2S2O7层以形成Ag2S2O7/Ag2O异质结,探究了该异质结UV-Vis光催化活性及其光催化循环稳定性;同时,考察了其近红外光催化及其重复使用性能.利用沉淀法成功制备了Ag2O纳米颗粒,并通过在其表面部分硫化处理得到Ag2S2O7,成功构筑Ag2S2O7/Ag2O异质结构,并研究了该Ag2S2O7/Ag2O异质结构UV-Vis-NIR光催化降解有机污染物性能.研究表明,Ag2O纳米颗粒在光子能量较低的NIR照射条件下具有较强的光催化活性,但UV-Vis照射下,虽然Ag2O具有光催化活性,但易发生光还原生成单质银,降低其光催化稳定性;Ag2S2O7/Ag2O纳米异质结,虽然在UV-Vis-NIR范围内光催化活性略降于Ag2O,但稳定性显著提高,总体来看,Ag2S2O7/Ag2O异质结构在全光谱催化方面更具优势.这主要是由于Ag2O表面部分硫化得到的Ag2S2O7纳米颗粒,且二者之间能带匹配促进了光生载流子分离,同时Ag2O表面的Ag2S2O7颗粒直接吸收能量较高的UV-Vis,进而保护内部Ag2O,抑制了其自身还原,可显著提高Ag2S2O7/Ag2O异质结在UV-Vis-NIR催化活性及稳定性.实验结果分析表明,Ag2S2O7/Ag2O异质结纳米颗粒在UV-Vis-NIR条件下均具有稳定且高效的光催化活性,其主要原因为:(1)具有窄带隙的Ag2O可有效拓宽该异质结的光谱吸收;(2)Ag2S2O7/Ag2O异质结能带匹配可有效促使光生载流子分离;(3)Ag2O颗粒表面的Ag2S2O7纳米颗粒可有效提高Ag2S2O7/Ag2O异质结纳米颗粒的光化学稳定性,尤其是在UV-Vis条件下的化学稳定性.Ag2O纳米颗粒受到光照(UV-Vis-NIR)激发后产生电子-空穴对,由于Ag2S2O7与Ag2O能带位置的匹配,Ag2O导带的光生电子注入Ag2S2O7的导带;而Ag2S2O7价带的光生空穴注入Ag2O的价带.Ag2O表面的Ag2S2O7颗粒可有效捕捉电子,从而阻止Ag2O产生的电子-空穴对复合,进而提高光催化活性;同时当光子能量较高(UV以及部分短波长的Vis)时,Ag2O表面的Ag2S2O7颗粒直接吸收该部分光能,进而保护内部Ag2O发生自身还原,因此,Ag2S2O7/Ag2O异质结纳米颗粒在UV,Vis及NIR条件下均具有稳定且高效的光催化活性,在高效利用全光谱光催化降解有机污染物方面具有较大的潜力.     

超分子亚胺离子催化的新途径

发展了一种新的超分子亚胺离子催化的策略. 为了提高传统亚胺离子催化的效率并且提供一种新的不对称催化方法,最近发展了一种致力于活化亚胺离子的新催化概念,即超分子亚胺离子催化. 为了扩展该策略的应用范围,在此进一步发展了该方法,使之拓展到可以同时对亚胺离子和亲核体进行双活化的超分子亚胺离子催化方法. 这种新的方法可以显著提高催化剂的活性,使之前应用传统方法比较惰性的反应变得具有良好的反应性. 报道的方法可以用于提高一些比较惰性反应的反应活性,也可以为设计一些新反应提供一种思路.     

动压载荷下受限纳米水膜流动特性的分子动力学仿真研究

利用分子动力学模拟方法探究了外加载荷作用下纳米尺度受限水膜的流动特性.仿真结果表明:受限空间内的水膜随着载荷的增加,其出现分层现象和黏度增加,当黏度超过一个临界值后,在分层和黏度增加共同作用下,水膜的流动状态将由层流和湍流的混合状态过渡到单一的层流状态.同时,随着受限空间壁面的切向运动,受限水膜均会出现边界滑移现象,且随着载荷的增加,滑移现象越发显著.但当水膜单一层流状态形成后,受限空间壁面的滑移速度,对水膜的边界滑移长度影响并不显著.     

微通道连续合成UiO-66系列改性MOF材料

采用内交叉指型微反应器连续合成UiO-66材料. 连续微通道法强化了物料之间的混合, 极大提高了生产效率, 晶体产物呈六面体形, 粒径在100 nm以下. 考察了温度、 总进料流量和停留时间等条件对合成过程及产物的影响. 结果表明, 升高温度有助于晶粒的生长; 随着总进料流量增大, 晶体粒径减小; 晶体的形成需要一定的停留时间, 超过该停留时间, 晶体粒径不再增大. 通过优化实验条件, 可以实现系列纳米级UiO-66-X材料(X=NH₂, NO₂, Br)的连续合成.     

柱前衍生-高效液相色谱法同时测定水产品和水发食品中4种脂肪胺

建立水产品和水发食品中甲胺、乙胺、二甲胺和二乙胺的柱前衍生-高效液相色谱同时测定方法。样品经10%三氯乙酸匀浆、离心后,取上清液与9-芴甲氧羰酰氯(FMOC-Cl)在0.10 mol/L四硼酸钠溶液中反应生成具有紫外吸收的衍生产物,然后以C18柱为分离柱、甲醇-水为流动相,流速梯度洗脱分离,以DAD检测器在265nm波长处检测,标准曲线法定量。4种脂肪胺衍生产物在16 min内可完全分离。在0.5～25μg/mL浓度范围内,各物质的质量浓度与色谱峰面积均具有良好线性关系(r>0.999),方法检出限分别为:甲胺0.05 mg/kg、乙胺0.21 mg/kg、二甲胺0.29 mg/kg、二乙胺0.80 mg/kg。方法的加标回收率为88.1%～100.7%,相对标准差均小于5%。方法可用于水产品和水发食品中4种脂肪胺的同时快速测定。     

基于高光谱数据季相特征的山地草甸植被分类识别

新疆天山北坡山地草甸是天山山区草地生产力最高的草地类型,草地退化情况较为严重。对草地植被进行分类与识别,监测草地生态系统本底状况,可以快速、准确、有效的评价草地退化动态与程度,是进行生态重建的关键。为了探索适合草地植被的分类方法,选择天山北坡中段山地草甸植被作为研究对象,利用高光谱成像光谱仪（SOC710VP）获取了典型植被多季相（4个关键生育期）的原始反射光谱数据,通过多项式卷积平滑（S-G）及最小噪声分离（MNF）变换对光谱数据进行平滑去噪及降维处理,分别采用支持向量机（SVM）、BP人工神经网络（BP-ANN）及波谱角填图（SAM）三种方法建立分类模型,并对分类结果进行了对比分析。结果表明：使用S-G滤波及MNF变换预处理方法可以有效的对草地植被高光谱数据进行降维除噪,获得较平滑的光谱曲线,减少了数据的冗余程度并缩短了分类时间。不同季相山地草甸植被的“绿峰”、“红谷”及“红边”等参数差异较大,在植被生长旺盛期（4月—5月）的光谱曲线特征比黄枯期的光谱曲线特征更容易区分,这个时期分类精度较高。SVM分类模型在返青期（4月）和分蘖（枝）期（5月）总体分类精度均超过了90%,Kappa系数也超过了0.9;利用SVM方法进行分类时,在植物生长旺盛期（4月—5月）Polynomial核函数分类精度较高,植物成熟期（6月—9月）径向基核（RBF）函数分类精度较高。BP-ANN在分蘖（枝）期分类精度较高,总体分类精度为91.07%,Kappa系数为0.89,其他时期分类效果一般,虽然在MNF变换降维后能极大的缩短数据处理时间,但分类时间还是较SVM时间要长。SAM分类速度最快,但在各生育期的分类精度都较低,最高值为分蘖（枝）期的总体分类精度77.80%,Kappa系数为0.73。因此,利用Polynomial核函数的SVM分类模型适合对山地草甸植被进行分类识别,分类结果类别完整,准确度高,误分、错分现象相对较少,相比BP-ANN及SAM等高光谱数据分类方法具有较大的优势。