【摘 要】
：
以KOH为活化剂，优化毛豆壳活化生物炭（A-SBC）的制备条件，研究不同体系对A-SBC吸附甲萘威的影响，分析A-SBC对甲萘威的吸附动力学、热力学特性，以期为实现毛豆壳的资源化利用和控制甲萘威农药的环境污染提供理论依据和技术支撑。结果表明：将毛豆壳在700 ℃、1 h预碳化后，与KOH按1:2.0的质量比混合，在750 ℃、1.5 h的条件下活化，获得的A-SBC对甲萘威的吸附性能最佳，吸附率达
【基金项目】
：
国家重点研发计划（2019YFC1605302）；
论文部分内容阅读
以KOH为活化剂，优化毛豆壳活化生物炭（A-SBC）的制备条件，研究不同体系对A-SBC吸附甲萘威的影响，分析A-SBC对甲萘威的吸附动力学、热力学特性，以期为实现毛豆壳的资源化利用和控制甲萘威农药的环境污染提供理论依据和技术支撑。结果表明：将毛豆壳在700 ℃、1 h预碳化后，与KOH按1:2.0的质量比混合，在750 ℃、1.5 h的条件下活化，获得的A-SBC对甲萘威的吸附性能最佳，吸附率达89.63%，吸附容量为113.28 mg?g-1。与未经活化的毛豆壳生物炭相比，A-SBC的表面凹陷，孔隙密集，有机官能团减少。当体系pH为2～6.5时，A-SBC对甲萘威的吸附良好，并在pH值为5.5时吸附容量最大；A-SBC对甲萘威的吸附随温度升高而增多，在离子强度（NaCl）为0.01 mol?L-1时吸附容量最大。A-SBC对甲萘威的吸附更符合准二级动力学模型，等温吸附曲线更适于用朗缪尔（Langmuir）方程拟合，说明其以化学吸附为主。吸附热力学结果表明，A-SBC对甲萘威的吸附由疏水作用主导，是自发的吸热反应。A-SBC对甲萘威的吸附性能优良，可为去除水体环境中的甲萘威污染提供新途径与新材料。
其他文献
网络嵌入旨在学习网络中节点的低维表征,以支持后续的网络分析任务,例如节点分类、节点聚类、链接预测和可视化。最近已经提出了一些优秀的网络嵌入方法,其中最为突出的是基于生成对抗网络的嵌入方法。现有的基于生成对抗网络的方法都是对表征结果进行对抗训练,也就是迫使表征符合某一特定分布,一般采用高斯分布。然而,这种策略很难将表征与高斯噪声区分开,因为其要求表征服从高斯分布,这大致等于给表征添加了一个高斯正则项
深度估计是经典的计算机视觉任务之一,它可以为对象和环境提供丰富的表示信息。近年来,端到端深度估计方法的性能已得到显著改善。但是,卷积和池化操作的堆叠导致局部空间细节信息丢失,这些信息对基于监督学习的单目深度估计非常重要。为了克服这个问题,本文首先提出一种具有跳跃连接的编码器-解码器框架。基于自注意力机制,将通道空间注意力模块作为过渡层,捕获深度和空间位置关系,提高通道和空间的特征表示能力。然后提出
人文素养是职业成功的重要保障和关键力量。对社会弱势群体而言，除了开展职业培训，人文素养的提升对其职业生涯发展有着更为重要的意义。调查显示，社会弱势群体人文素养整体水平偏低，对人文素养有迫切的提升诉求。利用目前海量的线上教育资源，构建既有较强针对性、又便于学习的社会弱势群体人文素养课程体系，组建在线学习课程包，开发“易助学”手机APP帮助其自主学习，并通过评估和诊断，以闭环反馈的形式不断提升社会弱势
在数字信息化时代的背景下,针对人员自杀或暴力行为等风险的预防,如何利用智能技术进行人员心理风险计算是当前重要的研究问题。其中,人员心理风险计算需以人员心理风险画像为指导。但是,当前已有的相关研究主要基于传统调查问卷的方式来描绘人员的心理特征,进而进行人员心理风险计算。但随着人在多元空间下数据量的迅速增加以及信息维度的不断扩增,如何利用多元数据构建人员心理风险画像并利用复杂网络进行建模是当前人员心理
功能肽识别问题是计算生物领域一个重要的研究方向,目的是确定一段给定的蛋白序列是否是某种肽。该研究能够帮助我们了解蛋白质的功能,在药物设计等多个不同领域都有重大作用。随着近些年蛋白质序列的指数增长,传统的实验验证的方式很难满足现在的识别需求,并且随着计算机计算能力不断提升,采用与机器学习结合的基于计算的预测方法,设计出能方便、快捷、准确的分类器模型,大大的提升了功能肽识别预测的效率。在本文的研究工作
随着移动社交网络的快速发展,也为移动网络带来了如移动流量暴涨等许多新的问题和挑战,移动边缘计算（MEC）和设备到设备（D2D）通信技术被认为是解决这些问题的有效方法,而目前基于MEC和D2D的相关研究都没有关注于移动社交网络中用户间社交关联的稳定性。社交网络的稳定性得不到维护会由于个别关键用户的离开而导致人员流失,使得网络发生坍塌并最终使得网络解体,彻底失去竞争力。其对于提高网络资源传输的可靠性和
深度神经网络（Deep Neural Networks,DNNs）由于性能出众,被广泛应用在自然语言处理以及计算机视觉等领域,但其本身还是存在一定的缺陷,即深度神经网络易受对抗攻击。DNNs会被难以察觉的对抗扰动所欺骗从而导致错误决策。对抗训练是目前最有效的防御方法之一,旨在降低对抗样本导致DNNs模型被欺骗的风险。但是以往的对抗训练方法对于原样本和对抗样本的预测准确率还有待改善,并且训练收敛速度
动态复杂网络因其能够建模许多现实世界复杂系统而受到广泛关注。动态网络演化和社团检测是动态复杂网络分析的核心任务。目前已有的动态网络表示学习方法大多只考虑了网络的演化特性以及低阶的结构信息,而忽略了高阶的社团信息。本文利用表示学习技术在捕捉网络演化模式的同时对节点添加社团级的约束,从而提高节点表示能力;随后,基于网络表示设计出面向较大规模网络的动态社团检测模型。本文的主要研究内容如下:首先,探究了社
＜正＞ 在人体排尿过程中尿流最是由小转大而达到高峰,然后再逐渐减小,直到排尿结束为止,可构成一条尿流尾曲线。下尿路的很多病变可影响这条曲线的形态。医生直接观察尿流虽然比较直接、简单,但是不准确,因此需要用仪器加以记录。近十几年来各国的学者分别用不同原理设计制作各种类型的尿流量计。早在1948年,Drake报告利用尿流重量来测定尿流量。1967年Cardus等让尿流经一个漏斗,使尿流中所含的电解质改