乙醇对纳米多孔氧化铝薄膜热释光的影响

以乙醇-草酸混合溶液为电解液,用二次阳极氧化法制备纳米多孔Al_2O_3∶C薄膜。在制备过程中,碳的掺杂浓度可控。实验结果表明,随着碳浓度的增加,热释光强度逐渐增大;随着退火温度的升高,320℃左右的主热释光峰的强度先升高后降低。在退火温度为500℃时,主热释光峰的强度达到最大。纯草酸溶液制备的Al_2O_3薄膜的热释光剂量响应曲线在10~50 Gy是线性的,在50~100 Gy呈超线性;而乙醇-草酸混合溶液制备的Al_2O_3∶C薄膜在10~100 Gy基本呈线性。     

基于贝叶斯网络的预拌混凝土质量可靠度评价模型

抗压强度是混凝土非常重要的质量指标,由于预拌混凝土生产配送以及现场浇筑的过程特性,混凝土质量可靠性研究多从配合比展开,缺乏全流程分析。以商砼生命周期的四大环节聚类建立了质量综合评价体系,编制出以28 d抗压强度不达标为顶事件的故障树,并将其转化为贝叶斯网络,利用贝叶斯网络定量分析得到质量评价结果与实际值相对误差为4.7%,效果显著。通过反向诊断识别出质量体系中配合比实际调整、施工后维护及工人私自加水为三大薄弱环节,占据了质量事故70%的原因概率。该评价模型可为企业决策提供理论支持。     

面向乙烷/乙烯分离的金属有机框架膜的大规模计算筛选

相比于传统热驱动的低温蒸馏工艺, 基于金属有机框架(Metal-organic frameworks, MOFs)的膜分离是一种在技术和成本上可行的乙烷/乙烯分离替代方案. 为了加速MOF膜在这一气体分离领域中的应用, 本工作提出了两步筛选策略对12,020个真实MOF膜材料进行了大规模计算筛选, 其中MISQIQ04表现出最高的乙烷/乙烯膜选择系数(4.16)和较高的乙烷渗透率(4.35×10⁵ Barrer). 通过结构-性能关系分析, 可以发现窄孔径和低孔隙率的MOFs是选择性分离乙烷的最佳膜材料, 并且乙烷的选择性吸附对乙烷/乙烯膜分离过程起着主导作用. 与传统计算筛选方法相比, 本工作所提出的筛选策略降低了约87.1%的计算时间成本. 为了进一步缩短模拟时间, 本工作还开发了机器学习分类模型以实现对高性能MOF膜的快速预筛选并探讨了该模型的可移植性. 结果表明, 增加数据集的多样性有助于提高所开发模型的可移植性和泛化能力.     

一种新型换热网络多级超结构及其应用

换热网络优化是一种有效的能量回收方式。拥有较大换热网络结构寻优空间的模型往往是具有非线性、非凸性的复杂混合整数非线性规划(MINLP)模型,常常难以得到可行解。基于换热网络分级超结构,构建了一个包含流股分流、等温混合、流股回流非等温混合的新型换热网络多级超结构并设置全线性约束条件,这可以在增加换热网络寻优空间的同时大幅提升MINLP模型的可求解性。通过两个文献案例验证流股分流、流股回流及非等温混合对换热网络寻优的贡献,证明了该模型的有效性和适用性。     

机器学习与分子模拟协同的CH4/H2分离金属有机框架高通量计算筛选

在减少CO₂排放、实现碳中和的背景下, 金属有机框架(MOFs)在清洁能源领域展现出广阔应用前景. 提出一种机器学习和分子模拟协同的分层筛选策略, 快速、准确地从134185个假设MOFs中识别出具有最佳CH₄/H₂分离性能的吸附剂. 首先, 根据MOFs的结构性质, 筛掉孔径或体积比表面积不恰当的吸附剂, 初筛后MOFs的数量减至62278个. 接下来, 抽取10% MOFs将结构和化学混合描述符作为特征, 利用随机森林分别构建变压吸附和真空变压吸附过程中其对CH₄的吸附剂性能得分(APS)预测模型. 相比于其他模型构建策略, 基于本策略构建的模型具有最优预测准确性, 可用于余下MOFs的性能预测. 随后根据APS预测值排序, 筛选出Top 1000的MOFs并利用分子模拟修正预测结果, 进一步确定了10个最佳MOFs. 最后, 对描述符的重要性进行解释, 揭示了实现模型在不同操作场景下的迁移具有潜力, 为未来开发适用于多操作场景下的高性能MOFs筛选方法提供了一条高效的研究路径和方法.     

不同退火温度的Al_2O_3:C薄膜热释光和光释光性能

α-Al_2O_3:C晶体的热释光和光释光性能优越,但其制备要求高,需高温和高还原气氛.与α-Al_2O_3:C晶体性能接近的α-Al_2O_3:C陶瓷,热释光峰不单一.本文采用两次阳极氧化法在0.5 mol/L的草酸溶液中5℃恒温制备高度均匀有序的多孔Al_2O_3:C薄膜,主要研究不同退火温度对其热释光和光释光特性的影响.结果表明,经不同温度退火后的Al_2O_3:C薄膜均为非晶结构;不同退火温度的Al_2O_3:C薄膜热释光的主发光峰约在310℃左右,符合通用级动力学模型.600℃退火后的Al_2O_3:C薄膜热释光灵敏度最强,其热释光剂量曲线在1-10 Gy范围内具有很好的线性响应,在剂量10-120 Gy范围内出现超线性响应;在相同的辐照剂量下,随着退火温度的升高(≤600℃)光释光的初始发光强度逐渐增强.不同退火温度的Al_2O_3:C薄膜光释光衰减曲线都呈典型的指数衰减且快衰减速率相比α-Al_2O_3:C晶体显著加快.600℃退火后的Al_2O_3:C薄膜光释光灵敏度最强,其光释光剂量响应曲线在1-200 Gy整体上都具有很好的剂量线性关系.与热释光相比,Al_2O_3:C薄膜的光释光具有更宽的线性剂量响应范围.此研究为Al_2O_3:C薄膜作为光释光辐射剂量材料做出了有益的探索.     

基于代理模型的炼厂氢网络与脱硫系统同步优化

脱硫过程的准确建模是实现氢气分配网络和脱硫过程协同优化的基础。脱硫过程模型的简化和假设会导致结果次优，而基于过程热力学的严格过程模型会带来繁琐的计算工作量。为解决这一困境，提出了一种基于代理模型技术的炼油厂氢气网络和硫化氢脱除过程耦合优化的新策略。基于严格脱硫过程模型开发其代理模型，再将代理模型集成到氢气网络优化的数学规划模型中，以实现高效准确求解。将该方法应用于国内某炼油厂的氢网络集成，在有效控制系统中硫化氢含量的同时实现了系统优化。相比于基于简化脱硫模型的文献方法，本文方法所得结果较优，证明了该方法的有效性。     

预测金属有机骨架甲烷和氢气输送能力的迁移学习建模

基于深度神经网络(DNN)和迁移学习(TL),使用少量数据建立TL模型,精准预测了金属有机骨架(MOFs)的甲烷和氢气输送性能.首先,使用8414个MOFs在298 K/65 bar～298 K/5.8 bar(1 bar=0.1 MPa)条件下的甲烷输送数据训练一个决定系数(R²)为0.973的DNN[源任务(ST)模型].随后,将ST模型的部分参数冻结,使用100个MOFs在233 K/65 bar～358 K/5.8 bar条件下的甲烷输送数据和100个MOFs在198 K/100 bar～298 K/5 bar条件下的氢气输送数据分别微调ST模型,进行TL建模.结果表明,两个TL模型的R²分别为0.968和0.945,均高于其它5个传统的ML模型.所开发的TL模型在预测小数据集时具有高精度与高稳定性.最后,使用排列特征重要度方法来计算描述符重要度,明确了模型之间的“知识”共享情况,并在此基础上探讨了重要描述符和输送能力之间的关系.