结构化学课程特色建设的实践和思考

以建设精品课程为目标,创建特色课程为重点。探讨结构化学课程课堂教学与科学研究相结合的教学模式,总结实践经验,提出课程教学改革的一些思考。     

MgO缺陷和不规则表面吸附CO的能带和电子结构研究

采用从头算程序优化MgO表面三种不同配位位置吸附CO构型,并用扩展休克尔紧束缚(EHT)晶体轨道方法对MgO的缺陷和不规则表面吸附CO的可能构型进行能带计算,讨论了能带结构及组成,不同构型吸附前后能带和成键性质的变化,以及吸附前后的电荷转移和吸附键的变化规律。研究结果发现,CO的C端更有利于在MgO固体表面的吸附,具有氧缺陷结构的MgO更有利于吸附分解CO。     

TiO2(110)面的弛豫结构及吸附O2的密度泛函研究

采用DFT／B3LYP方法研究了TiO2(110)的完整和氧缺陷表面的弛豫构型，并对 O2在氧缺陷表面的三种可能吸附构型进行了优化，计算了它们的吸附能、振动频率 和重叠布居．分析并预测了吸附后可能产生的物种．本文的计算结果与XPS，TPD和 ELS等实验吻合．     

有限长椅型(5,5)碳纳米管吸附氟和氢的理论研究

使用半经验PM3方法, 对(5, 5)椅型单壁碳纳米管的H和F吸附做一系列计算, 模型采用含120C, 130C, 140C的两端开口的(5, 5)管, 吸附原子从2到30个。计算结果表明F与H有类似的吸附规律, 但是, 在各种吸附构型的稳定性上, F吸附比H吸附的差别较为显著。H, F的吸附排列在50 %覆盖度下更倾向于沿管轴的锯齿状连续排列, 而非垂直于管轴的环状排列, 这些吸附排列结构与各纳米管骨架模型前线轨道拓扑图存在对应关系。     

Li和Al掺杂的MgO(001)表面负载W_3O_9团簇的构型与电子结构

采用基于第一性原理的分子动力学和量子力学相结合的方法,对W3O9团簇在经Li和Al原子掺杂的MgO(001)表面的负载构型、稳定性以及体系的电子结构进行了系统研究.结果表明,当掺杂发生在表层时,杂质原子的类型对W3O9团簇的负载构型有显著影响.对于缺电子的Li掺杂,负载后W3O9团簇环状构型并不稳定,转化为链状结构;而Al原子的掺杂则使得MgO(001)表面电子富余,此时W3O9团簇存在平躺和垂直两种吸附方式,二者能量稳定性相近,其中前者存在同时与三个W原子成键的帽氧结构.当掺杂发生在次表层时,两种掺杂体系W3O9的负载构型相似,团簇仍保持环状结构并倾向于采用垂直方式沉积在表面上.与Li掺杂体系相比,富电子的Al掺杂可显著增强W3O9与MgO(001)表面之间的结合能力,负载后有较多电子从表面转移到团簇中特定的W原子上,这将对W3O9团簇的催化性能产生显著影响.     

具有协同约束的共生迁移学习算法研究

传统迁移学习方法通常直接利用相关领域中的数据来辅助完成当前领域的学习任务,而忽略了领域间互相学习的能力.针对此类问题,提出了一种具有协同约束的共生迁移学习方法(Collaborative Constraints based Symbiosis Transfer Learning,CCSTL).在协同约束的基础上,引入共生迁移机制实现领域间的交替互动学习,进而实现源领域和目标领域间的知识迁移,从而提高受训分类器的分类性能.在模拟数据和真实数据集上的实验结果表明了新算法的有效性.     

粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究

针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法.通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点.实验研究亦表明了上述优点.     

Li和Al掺杂的MgO(001)表面负载W3O9团簇的构型与电子结构

采用基于第一性原理的分子动力学和量子力学相结合的方法, 对W₃O₉团簇在经Li 和Al 原子掺杂的MgO(001)表面的负载构型、稳定性以及体系的电子结构进行了系统研究. 结果表明, 当掺杂发生在表层时, 杂质原子的类型对W₃O₉团簇的负载构型有显著影响. 对于缺电子的Li 掺杂, 负载后W₃O₉团簇环状构型并不稳定, 转化为链状结构; 而Al 原子的掺杂则使得MgO(001)表面电子富余, 此时W₃O₉团簇存在平躺和垂直两种吸附方式, 二者能量稳定性相近, 其中前者存在同时与三个W原子成键的帽氧结构. 当掺杂发生在次表层时, 两种掺杂体系W₃O₉的负载构型相似, 团簇仍保持环状结构并倾向于采用垂直方式沉积在表面上. 与Li 掺杂体系相比, 富电子的Al 掺杂可显著增强W₃O₉与MgO(001)表面之间的结合能力, 负载后有较多电子从表面转移到团簇中特定的W原子上, 这将对W₃O₉团簇的催化性能产生显著影响.     

纳米团簇Au19Pd和Au19Pt催化解离N2O

采用密度泛函理论研究Au-Pd和Au-Pt 纳米团簇催化解离N₂O. 首先根据计算得到Au₁₉Pd和Au₁₉Pt 团簇的最优构型(杂原子均位于团簇的表面). 以Au₁₉Pd催化解离N₂O为例研究催化解离的反应机理. 对此主要考虑两个反应机理, 分别是Eley-Rideal (ER)和Langmuir-Hinshelwood (LH). 第一个机理中N₂O解离的能垒是1.118 eV, 并且放热0.371 eV. N₂分子脱附后, 表面剩余的氧原子沿着ER路径消除需要克服的能垒是1.920eV, 这比反应沿着LH路径的能垒高0.251 eV. 此外根据LH机理, 氧原子在表面的吸附能是-3.203 eV, 而氧原子在表面转移所需的能垒是0.113 eV, 这表明氧原子十分容易在团簇表面转移, 从而促进氧气分子的生成. 因此, LH为最优反应路径. 为了比较Au₁₉Pd和Au₁₉Pt 对N₂O解离的活性, 根据最优的反应路径来研究Au₁₉Pt 催化解离N₂O, 得到作为铂族元素的铂和钯对N₂O的解离有催化活性, 尤其是钯. 同时, 将团簇与文献中的Au-Pd合金相比较, 得到这两种团簇对N₂O 解离有较高的活性, 尤其是Au₁₉Pd团簇. 再者, O₂的脱附不再是影响反应的主要原因, 这可以进一步提高团簇解离N₂O的活性.     

拉曼光谱法测定天然脂肪球脂质成分

天然脂肪球主要由甘油三酯构成,以不同大小的球状形式分泌而得。不同大小的脂肪球的球体和膜组成成分不同,从而影响了脂肪在乳中的存在形式和最终的乳品功能特性。然而,不同大小的脂肪球成分的差异尚未完全阐明。利用拉曼光谱测定特定大小脂肪球及膜的脂质和脂肪酸组成。拉曼光谱能够从单个脂肪球获得特定拉曼信号,并且在不破坏天然脂肪球构型的情况下进行测定。结果显示,小脂肪球在2 885/2 850 cm-1处条带信号较高,表明小脂肪球趋于形成结晶态的脂肪球膜包裹流动态的甘油三酯内核的结构。此外,小脂肪球与大脂肪球相比,1 655/1 443 cm-1的条带信号较低,表明小脂肪球的脂肪酸不饱和程度较高。总之,从本实验结果可以推断,用特定的小脂肪球分离而得的稀奶油在熔化时较大脂肪球难熔化,搅拌耗时更多,但能形成更柔软的黄油。