金属离子过量使用会造成环境污染,危及人类健康。因此,对相关金属离子进行检测显得尤为重要。发光金属有机框架(Luminescent metal-organic frameworks,LMOFs)因其具备高色纯度、超高孔隙率和可调结构等优势,被视为简单有效且有前途的...金属离子过量使用会造成环境污染,危及人类健康。因此,对相关金属离子进行检测显得尤为重要。发光金属有机框架(Luminescent metal-organic frameworks,LMOFs)因其具备高色纯度、超高孔隙率和可调结构等优势,被视为简单有效且有前途的荧光传感材料。本文以3,5-二(4-咪唑-1-基)吡啶(Bip)为主配体,1,4-萘二甲酸(1,4-ndc)为辅助配体,Ni^(2+)为中心离子,采取溶剂热法合成了一例二维金属有机框架[Ni_(2)(Bip)_(2)(1,4-ndc)_(2)(H_(2)O)_(6)](记为CUST-756,其中CUST是Changchun University of Science and Technology缩写),并通过合成后修饰法制备了Eu^(3+)@CUST-756复合发光材料。利用XRD、FT-IR和XPS对合成的CUST-756和Eu^(3+)@CUST-756复合材料进行了基础表征。并且采用荧光光谱对样品进行了发光特性、金属离子传感性能及其机理研究。实验结果表明,Eu^(3+)@CUST-756在甲醇溶液中具备优异的发光性能和良好的稳定性,Eu^(3+)的引入使得材料可用于金属阳离子Cr^(3+)、Fe^(3+)检测。Cr^(3+)离子的检出限(limit of detection,LOD)为5.44µmol·L^(-1);Fe^(3+)离子的LOD为7.51µmol·L^(-1),与大多数LMOFs性能相近。展开更多
针对电子标签位置不确定的物流射频识别(radio frequency identification,RFID)网络优化问题,综合考虑覆盖率、负载平衡程度、成本,建立了鲁棒优化模型.为求解负载平衡程度,采用基于Korobov点阵的蒙特卡洛方法.为减少计算量,提高算法寻...针对电子标签位置不确定的物流射频识别(radio frequency identification,RFID)网络优化问题,综合考虑覆盖率、负载平衡程度、成本,建立了鲁棒优化模型.为求解负载平衡程度,采用基于Korobov点阵的蒙特卡洛方法.为减少计算量,提高算法寻优能力,提出一种基于不对称时变S–形(Sigmoid)函数的鲁棒粒子群算法(PSO).样本规模仅取部分较小整数、部分较大整数.仅在算法迭代后期,样本规模期望值大,保证算法开发精度;在较多迭代次数中,样本规模期望值小,加快算法探索速度.仿真实验表明,该方法具有较佳的搜索性能.展开更多
文摘金属离子过量使用会造成环境污染,危及人类健康。因此,对相关金属离子进行检测显得尤为重要。发光金属有机框架(Luminescent metal-organic frameworks,LMOFs)因其具备高色纯度、超高孔隙率和可调结构等优势,被视为简单有效且有前途的荧光传感材料。本文以3,5-二(4-咪唑-1-基)吡啶(Bip)为主配体,1,4-萘二甲酸(1,4-ndc)为辅助配体,Ni^(2+)为中心离子,采取溶剂热法合成了一例二维金属有机框架[Ni_(2)(Bip)_(2)(1,4-ndc)_(2)(H_(2)O)_(6)](记为CUST-756,其中CUST是Changchun University of Science and Technology缩写),并通过合成后修饰法制备了Eu^(3+)@CUST-756复合发光材料。利用XRD、FT-IR和XPS对合成的CUST-756和Eu^(3+)@CUST-756复合材料进行了基础表征。并且采用荧光光谱对样品进行了发光特性、金属离子传感性能及其机理研究。实验结果表明,Eu^(3+)@CUST-756在甲醇溶液中具备优异的发光性能和良好的稳定性,Eu^(3+)的引入使得材料可用于金属阳离子Cr^(3+)、Fe^(3+)检测。Cr^(3+)离子的检出限(limit of detection,LOD)为5.44µmol·L^(-1);Fe^(3+)离子的LOD为7.51µmol·L^(-1),与大多数LMOFs性能相近。
文摘针对电子标签位置不确定的物流射频识别(radio frequency identification,RFID)网络优化问题,综合考虑覆盖率、负载平衡程度、成本,建立了鲁棒优化模型.为求解负载平衡程度,采用基于Korobov点阵的蒙特卡洛方法.为减少计算量,提高算法寻优能力,提出一种基于不对称时变S–形(Sigmoid)函数的鲁棒粒子群算法(PSO).样本规模仅取部分较小整数、部分较大整数.仅在算法迭代后期,样本规模期望值大,保证算法开发精度;在较多迭代次数中,样本规模期望值小,加快算法探索速度.仿真实验表明,该方法具有较佳的搜索性能.