BET脱气温度和时间怎么选择?

本文讨论了在不同类型的样品中选择合适的脱气温度(不超过熔点的一半),考虑样品结构和预处理的影响。强调了脱气时间和真空度对BET测试结果的影响,推荐适当的时间标准,并指出需要固定处理条件以减小误差。科学指南针利用先进技术提供专业服务。

系统温度越高,分子扩散运动越快,因此脱气效果越好。

通常仪器配备的脱气站加热温度可达 400 ℃,但是选择脱气温度的首要原则是不破坏样品结构。一般来说,氧化铝、二氧化硅这一类氧化物的安全脱气温度可达 350 ℃;大部分碳材料和碳酸钙的安全脱气温度在 300 ℃左右;而水合物则需要低得多的脱气温度。对于有机化合物,也可以通过脱气站进行预处理,但是大部分有机化合物的软化温度和玻璃化温度较低,因此必须提前加以确认。例如在医药领域常用的硬脂酸镁,美国药典(USP)规定的脱气温度为 40 ℃。

如果脱气温度设置过高,会导致样品结构的不可逆变化,例如烧结会降低样品的比表面积,分解会提高样品的比表面积。但是如果为了保险,脱气温度设置过低,就可能使样品表面处理不完全,导致分析结果偏小。

因此在不确定脱气温度的情况下,建议使用化学手册,如 theHandbook ofChemistry andPhysics(CRC,BocaRaton,Florida),以及各标准组织发布的标准方法,如 ASTM,作为相关参考。脱气温度的选择不能高于固体的熔点或玻璃的相变点, 建议不要超过熔点温度的一半。当然,如果条件许可,使用热分析仪能够最精确地得到适合的脱气温度。一般而言,脱气温度应当是热重曲线上平台段的温度。


与脱气温度对应的是脱气时间。脱气时间越长,样品预处理效果越好。脱气时间的选择与样品孔道的复杂程度有关。一般来说,孔道越复杂,微孔含量越高,脱气时间越长;选择的脱气温度越低,样品所需要的脱气时间也就越长。可以通过在相同脱气温度下,分析样品的 BET 结果变化来确定脱气时间。如果在不同的脱气时间(2 小时,4 小时和 6 小时)得到的 BET 结果相同,肯定选择脱气时间最短的;如果变化不大,则需要选择折衷的方案;如果 BET 结果随脱气时间延长不断变大,说明孔道复杂,深层次有因氢键结合的吸附水分子,暴露了被堵塞的孔道及面积。对于一般样品,IUPAC 推荐脱气时间不少于 6 小时,而那些需要低温脱气的样品则需要长得多的脱气时间。对一些微孔样品,脱气时间甚至需要在 12 小时以上。但是作为特例,美国药典(USP)规定硬脂酸镁的脱气时间就仅为 2 小时。


由于脱气温度、脱气时间以及脱气真空度都与比表面积值有关,所以 BET 结果存在误差是不可避免的。所以,测样时需要固定样品处理条件进行相对比较。与文献值比较时,也要注意文献上的样品预处理和分析条件。

科学指南针通过互联网技术建立更可靠的服务标准,全国26个办事处,12个城市拥有自营实验室,最好的设备、最专业的老师为您服务。

免责声明:部分文章整合自网络,因内容庞杂无法联系到全部作者,如有侵权,请联系删除,我们会在第一时间予以答复,万分感谢。

更多科研干货教程,可以点击下面链接获取哦~

BET测试

【顶级EI完整复现】【DRCC】考虑N-1准则的分布鲁棒机会约束低碳经济调(Matlab代码实现)内容概要:本文介绍了名为《【顶级EI完整复现】【DRCC】考虑N-1准则的分布鲁棒机会约束低碳经济调(Matlab代码实现)》的技术资源,聚焦于电力系统中低碳经济调问题,结合N-1安全准则与分布鲁棒机会约束(DRCC)方法,提升调模型在不确定性环境下的鲁棒性可行性。该资源提供了完整的Matlab代码实现,涵盖建模、优化求解及仿真分析全过程,适用于复杂电力系统调场景的科研复现与算法验证。文中还列举了大量相关领域的研究主题与代码资源,涉及智能优化算法、机器学习、电力系统管理、路径规划等多个方向,展示了广泛的科研应用支持能力。; 适合人群:具备一定电力系统、优化理论Matlab编程基础的研究生、科研人员及从事能源调、智能电网相关工作的工程师。; 使用场景及目标:①复现高水平期刊(如EI/SCI)关于低碳经济调的研究成果;②深入理解N-1安全约束与分布鲁棒优化在电力调中的建模方法;③开展含新能源接入的电力系统不确定性优化研究;④为科研项目、论文撰写或工程应用提供可运行的算法原型技术支撑。; 阅读建议:建议读者结合文档提供的网盘资源,下载完整代码与案例数据,按照目录顺序逐步学习,并重点理解DRCC建模思想与Matlab/YALMIP/CPLEX等工具的集成使用方式,同时可参考文中列出的同类研究方向拓展研究思路。
内容概要:本文详细介绍了一个基于MATLAB实现的电力负荷预测项目,采用K近邻回归(KNN)算法进行建模。项目从背景意义出发,阐述了电力负荷预测在提升系统效率、优化能源配置、支撑智能电网智慧城市建设等方面的重要作用。针对负荷预测中影响因素多样、时序性强、数据质量差等挑战,提出了包括特征工程、滑动窗口构造、数据清洗与标准化、K值与距离量优化在内的系统性解决方案。模型架构涵盖数据采集、预处理、KNN回归原理、参数调优、性能评估及工程部署全流程,并支持多算法集成与可视化反馈。文中还提供了MATLAB环境下完整的代码实现流程,包括数据加载、归一化、样本划分、K值选择、模型训练预测、误差分析与结果可视化等关键步骤,增强了模型的可解释性与实用性。; 适合人群:具备一定MATLAB编程基础机器学习基础知识,从事电力系统分析、能源管理、智能电网或相关领域研究的研发人员、工程师及高校师生;适合工作1-3年希望提升实际项目开发能力的技术人员; 使用场景及目标:①应用于短期电力负荷预测,辅助电网调与发电计划制定;②作为教学案例帮助理解KNN回归在实际工程中的应用;③为新能源接入、需求响应、智慧能源系统提供数据支持;④搭建可解释性强、易于部署的轻量级预测模型原型; 阅读建议:建议结合MATLAB代码实践操作,重点关注特征构造、参数调优与结果可视化部分,深入理解KNN在时序数据中的适应性改进方法,并可进一步拓展至集成学习或多模型融合方向进行研究与优化。
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应 根据适应保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应 升序排列适应评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应函数 适应函数由解决的问题决定。 举一个平方的例子。 简单的平方问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值