生物质碳材料的孔道类型和孔径大小制约着材料有效的活性位点数量,影响材料的性能。孔道分类又是孔径分析的前提条件,因此,建立孔道分类的方法非常有意义。随着生物质碳材料的深入研究,研究者对其孔道分析的要求逐渐提高。由于实际的吸...生物质碳材料的孔道类型和孔径大小制约着材料有效的活性位点数量,影响材料的性能。孔道分类又是孔径分析的前提条件,因此,建立孔道分类的方法非常有意义。随着生物质碳材料的深入研究,研究者对其孔道分析的要求逐渐提高。由于实际的吸脱附等温线具有不规则性,难以匹配IUPAC规范中的吸脱附等温线,所以,用实际的吸脱附等温线与IUPAC规范中的吸脱附等温线进行匹配对生物质碳材料的孔道进行分类准确度不能得到保证。使用自制生物质碳材料,运用物理吸附仪对其进行表征,采用BET方程(Brunauer-Emmett-Teller)、T-plot方法(Thickness-plot)、DFT方法(Non-local Density Functional Theory)、BJH(Barrett Joyner And Halenda)方法对其孔道进行分析。研究表明,采用孔隙率和比表面积占有率对其进行孔道分类,可以准确地定义出微孔生物质碳材料、介孔生物质碳材料和微介孔生物质碳材料,从而建立了孔隙率和比表面积占有率的孔道分类新方法。用标准样品对孔隙率和比表面积占有率的孔道分类新方法进行论证,结果一致。方法准确可靠、实用性高。展开更多
水质指标具有多元相关性、时序性和非线性的特点,为有效预测河流水质变化,针对水质数据存在缺失和异常的问题,提出基于灰色关联分析-门控循环单元(Grey Relational Analysis-Gated Recurrent Unit, GRA-GRU)的水质预测模型。以淮河流域...水质指标具有多元相关性、时序性和非线性的特点,为有效预测河流水质变化,针对水质数据存在缺失和异常的问题,提出基于灰色关联分析-门控循环单元(Grey Relational Analysis-Gated Recurrent Unit, GRA-GRU)的水质预测模型。以淮河流域水质数据为样本,使用线性插值修补缺失数据和剔除的异常数据。使用灰色关联分析计算不同水质指标间的相关性,选择高相关性的水质指标以确定输入变量,并使用门控循环单元(Gated Recurrent Unit, GRU)预测不同的水质指标。将GRA-GRU的预测结果与反向传播神经网络(Back Propagation Neural Network, BPNN)、循环神经网络(Recurrent Neural Network, RNN)、长短期记忆神经网络(Long Short Term Memory, LSTM)、GRU及灰色关联分析-长短期记忆神经网络(Grey Relational Analysis-Long Short Term Memory, GRA-LSTM)进行对比分析,结果显示GRA-GRU在不同水质指标预测上具有较好的适应性,可以有效降低预测误差。其中,与其他模型相比,GRA-GRU预测的化学需氧量在均方根误差上分别降低了3.617%、0.681%、0.478%、1.505%和0.471%。展开更多
文摘生物质碳材料的孔道类型和孔径大小制约着材料有效的活性位点数量,影响材料的性能。孔道分类又是孔径分析的前提条件,因此,建立孔道分类的方法非常有意义。随着生物质碳材料的深入研究,研究者对其孔道分析的要求逐渐提高。由于实际的吸脱附等温线具有不规则性,难以匹配IUPAC规范中的吸脱附等温线,所以,用实际的吸脱附等温线与IUPAC规范中的吸脱附等温线进行匹配对生物质碳材料的孔道进行分类准确度不能得到保证。使用自制生物质碳材料,运用物理吸附仪对其进行表征,采用BET方程(Brunauer-Emmett-Teller)、T-plot方法(Thickness-plot)、DFT方法(Non-local Density Functional Theory)、BJH(Barrett Joyner And Halenda)方法对其孔道进行分析。研究表明,采用孔隙率和比表面积占有率对其进行孔道分类,可以准确地定义出微孔生物质碳材料、介孔生物质碳材料和微介孔生物质碳材料,从而建立了孔隙率和比表面积占有率的孔道分类新方法。用标准样品对孔隙率和比表面积占有率的孔道分类新方法进行论证,结果一致。方法准确可靠、实用性高。
文摘水质指标具有多元相关性、时序性和非线性的特点,为有效预测河流水质变化,针对水质数据存在缺失和异常的问题,提出基于灰色关联分析-门控循环单元(Grey Relational Analysis-Gated Recurrent Unit, GRA-GRU)的水质预测模型。以淮河流域水质数据为样本,使用线性插值修补缺失数据和剔除的异常数据。使用灰色关联分析计算不同水质指标间的相关性,选择高相关性的水质指标以确定输入变量,并使用门控循环单元(Gated Recurrent Unit, GRU)预测不同的水质指标。将GRA-GRU的预测结果与反向传播神经网络(Back Propagation Neural Network, BPNN)、循环神经网络(Recurrent Neural Network, RNN)、长短期记忆神经网络(Long Short Term Memory, LSTM)、GRU及灰色关联分析-长短期记忆神经网络(Grey Relational Analysis-Long Short Term Memory, GRA-LSTM)进行对比分析,结果显示GRA-GRU在不同水质指标预测上具有较好的适应性,可以有效降低预测误差。其中,与其他模型相比,GRA-GRU预测的化学需氧量在均方根误差上分别降低了3.617%、0.681%、0.478%、1.505%和0.471%。
