活性炭流化床对VOCs的吸附条件及吸附边界曲线的研究

对球形活性炭流化床在VOCs吸附过程中吸附条件的选择进行了分析研究,分别探究了进气浓度、气体流速、床层高度、床层数对流化床吸附性能的影响。并且进一步比较了流化床和固定床对丙酮、乙酸乙酯、对二甲苯的吸附,得到不同的固定床-流化床吸附条件边界曲线,该边界曲线将吸附条件坐标系划分为2个区域,固定床和流化床分别在对应的区域内达到更好的吸附性能,并通过实验验证了该理论的正确性。边界曲线与VOCs的性质有关,极性越大流化床的操作范围越小。     

改性球形活性炭对氨气吸附性能的研究

研究了不同金属盐溶液浸渍改性的球形活性炭对氨气的吸附性能以及同种浸渍剂的最佳浸渍比。采用扫描电镜、透射电镜、X射线衍射仪、康塔吸附仪探究了不同浸渍比对浸渍炭样品的表面形貌、物相结构及孔径分布的影响。通过固定床吸附装置对基炭和浸渍炭进行了氨气吸附性能的研究。结果表明：浸渍剂种类对氨气吸附效果有很大影响, 同等浸渍条件下, 氯化钴浸渍的活性炭具有最优氨气吸附效果, 氯化钴浸渍比为50%的样品对氨气的吸附量最高, 可达54.05 mg/mL, 为基炭的37倍。对吸附氨气后样品的物化性质进行分析以及程序升温脱附表征, 结果表明氯化钴与氨气反应生成了[Co（NH₃）₆]Cl₃。     

沥青基球形硬炭的电化学性能研究

以石油沥青为原料,采用悬浮加热法分别制备了颗粒状和球状硬炭。采用X射线衍射分析、扫描电子显微镜以及CO_2吸附测试对材料结构进行表征;利用恒流充放电和电化学阻抗谱技术对电化学性能进行了测试。结果表明,随着炭化温度从1 000℃升高到1 400℃,球状硬炭材料的CO_2吸附比表面积、孔容和充放电比容量逐渐减小,而首次库仑效率逐渐升高。在电流密度为37.2 mA/g下循环100次后球状硬炭的体积容量比颗粒状硬炭高出17.7%,且球形硬炭的电阻更小,在电流密度为1 860 mA/g时的比容量为103.3 mAh/g。     

工程放大效应对沥青基球状活性炭性能的影响

考察了工程放大效应对沥青基球状活性炭的制备工艺及其性能的影响。发现：在2L的成球釜中115℃，0．2MPa条件下沥青颗粒能成沥青球，但在500L的成球釜中成球温度需提高至145℃、压力为0．6MPa方能成球；当含萘沥青颗粒投入成球釜中，即使温度高于110℃，沥青颗粒仍难以成球；在2％PVA溶液中添加体积分数20％～80％的已用过的PVA溶液，有利于含萘沥青颗粒的成球；以3℃／min的升温速率由300℃直接升至1000℃再恒温10～30min，沥青球的强度最高，可达95．4％；以煤沥青为原料一次能制备出3kg，BET比表面积为1437m^2／g，强度为95％，表面pH值为7．3的沥青基球状活性炭。     

球形活性炭流体力学特性的研究

研究了不同粒径球形活性炭在固定床中的流体力学特性,并与颗粒活性炭、柱状活性炭作对比试验。考察了活性炭形状、粒径、床层高度及空隙率、气体的袁观流速对床层压降的影响。结果表明,球形活性炭的流体力学性能最好,粉尘量约为柱状炭和颗粒炭的10％左右,对于相同当量直径的活性炭,球形炭的床层压降约为柱状炭的40％～50％,颗粒炭的50％～70％。     

模式识别和神经网络在复合材料优化设计中的研究和应用

综述了模式识别和神经网络两种智能理论用于复合材料设计及优化方法,举例说明两种智能方法在复合材料优化设计中性能预测、仿真建模、工艺优化等多领域的应用价值和研究进展,分析讨论了两智能理论应用于材料设计研究时的主要问题及其解决方案,并对其发展方向提出了若干建议.     

炭纤维/ABS树脂复合材料的导电性研究

研究了炭纤维长度、填充量及表面处理条件下对炭纤维／ＡＢＳ树脂复合材料导电性的影响以及材料导电性同环境温度的相关性。结果表明复合材料的电阻率随着纤维填加量的增多而降低。纤维长度越长,复合材料导电性越好。纤维表面处理后,复合材料电阻率增大,相同纤维填充量下,表面处理时间越长,材料电阻率越大。温度对复合材料电阻率的影响随纤维填加量的增多而减少。而且,纤维表面状态的改变对复合材料的电阻率－温度关系有较大影响。     

超级电容器用活性炭电极的制备及其电极性能研究

在活化温度为800℃、活化时间为2h、碱/碳比为4：1条件下制备的活性炭最适宜于作超级电容器电极材料,其BET比表面积为2 663m~2/g,孔径集中分布在3～40nm的中孔范围内,在3M KOH电解液中的内阻为3．79Ω·cm,比电容为269F/g。     

基于RBF神经网络的添加剂改性炭材料高温黏结剂的性能预报模型

在炭材料黏结剂添加剂改性实验数据的基础上，将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系，建立了添加剂改性炭材料黏结剂的RBF（Radial Basis Function径向基函数）神经网络性能预报模型，并与BP（Back-Propagation逆传播）人工神经网络进行了预报精度和训练过程比较。结果表明：上述两种模型对于黏结强度的预报平均相对误差分别为0．0127和0．0600，且BP人工神经网络易陷入局部最小。因此，RBF神经网络模型的预报能力较好，得出了具有较精确黏结性能的添加剂配方和热处理数据。可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率，为炭材料黏结剂提供一条有应用前景的理论设计途径。     

氮掺杂碳纳米管的无金属催化剂合成和表征

采用爆炸辅助化学气相沉积法, 以碳纳米管(CNTs)作催化剂, 三聚氰胺作碳源和氮源, 无金属催化剂合成出氮掺杂碳纳米管(CN_x). 通过TEM、EDS、Mapping、XPS、Raman和TG测试手段对CN_x进行了表征. 结果表明, CNx具有竹节状结构, 其掺氮量高达17at%, 且氮元素分布均匀. 氮元素以石墨型和吡啶型掺杂在石墨层中, 由于大量氮元素掺杂造成纳米管石墨化程度降低, 抗氧化能力减弱.