基于OCVD(开路电压衰减)测定少子寿命的操作

本文介绍了一种通过电化学工作站简便测试光生载流子寿命的方法,包括电极材料制备、三电极系统搭建以及OCVD测试步骤。该方法无需昂贵设备,适用于光催化研究中光生载流子寿命评估。

简述

目前对于光生载流子寿命的测试都是基于一些光谱分析,如瞬态吸收光谱或时间分辨荧光光谱等,但这些测试较贵,而且数据处理比较繁琐,但在很多光催化文献中对于光生载流子寿命的评估又至关重要。

在这里本文为大家介绍一种简单的通过电化学工作站即可完成的光生载流子寿命测试方法。

OCVD测试法

电极材料的制备:

首先我们需要制备电极材料,将FTO玻璃片进行清洗并烘干备用。将催化剂(10 mg)加入到1 ml的乙醇中,在加入10 ul 5%的Nafion溶液,超声处理30 min,取0.1 ml的样品滴加在1*2 cm2的FTO玻璃片上(只在1*1 cm2区域进行滴加),然后在真空干燥箱120oC,干燥2小时即可。

测试系统搭建:

以三电极系统进行测试,其中参比电极用Ag/AgCl电极,对电极用铂丝电极,我们制备的电极样品为工作电极,以0.2 M的Na2SO4为电解液。

OCVD测试(以CHI660E为例)

1. 打开电化学工作站,并查看链接是否成功,如下操作:出现全部OK即为成功,这里没有链接电化学工作站,所以只做展示。

2. 在链接成功的条件下,调出电压与时间关系的参数设置中选择最后一项,如下所示:

3. 电击OK以后会弹出如下窗口,设定参数:其中,Run Time,指运行时间,Sample Interval指取样间隔,越小,数据越密集,High E,最大电压,Low E,最小电压,这二者一般根据材料开光以后的电压大小进行设置。

4. 参数设置完成以后,首先点击运行按钮,在不开光的条件下让线端走直,然后在开光,一定时间以后在关光即可,具体的参数可参考文献。

本文所有内容文字、图片和音视频资料,版权均属科学指南针网站所有,任何媒体、网站或个人未经本网协议授权不得以链接、转贴、截图等任何方式转载。

更多科研干货教程,可以点击下面链接获取哦~

科研干货

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文研究了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号去噪与特征提取能力;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的长期依赖关系,最终实现高精度的轴承故障识别。整个流程充分结合了智能优化、信号处理与深度学习技术,显著提升了复杂工况下故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选择的问题,实现自适应优化;②构建高效准确的轴承故障诊断模型,适用于旋转机械设备的智能运维与状态监测;③为类似机电系统故障诊断提供可借鉴的技术路线与代码实现参考。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注OCSSA算法的设计机制、VMD参数优化过程以及CNN-BiLSTM网络结构的搭建与训练细节,同时可尝试在其他故障数据集上迁移应用以加深理解。
评论
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