-
茶渣衍生氮氟掺杂多孔碳负载分散铁用于咖啡酸电化学检测
•通过简便的pyrolysis approach,由茶树叶废料合成了N、F共掺杂的多孔碳材料。•引入高度分散的Fe物种和丰富的Fe-Nx活性位点,以增强对氯芬酸的电催化活性。•Fe/N,F-TC-0.25/GCE传感器表现出宽检测范围(0.05–100 μM)和低检测限(0.
来源:Inorganic Chemistry Communications
时间:2026-10-02
-
一种 S 型 g-C3N4@Agx-ZnO@MnFeO3 杂化纳米复合材料的新型制备及其有机染料电催化降解性能与体外细胞毒性评估
•采用溶胶-凝胶/自燃法组装了一种新型S-Scheme g-C₃N₄@Agₓ-ZnO@MnFeO₃纳米复合材料(NCs)。
•该混合纳米复合材料表现出增强的电催化染料降解性能。
•g-C₃N₄和g-C₃N₄@Agₓ-ZnO@MnFeO₃纳米复合材料对肝G-2(HepG-2)、
来源:Inorganic Chemistry Communications
时间:2026-10-02
-
金属整合共价有机框架:不对称光催化有机合成的新兴平台
•金属整合共价有机框架(COFs)实现高效不对称光催化有机合成。•金属整合增强电荷分离和光催化效率。•协同催化体系实现选择性可见光转化。•构效关系决定催化性能与稳定性。引言手性分子的选择性构建仍然是现代合成的核心目标,因为分子的 handedness 决定了药物、农用化学品、
来源:Inorganic Chemistry Communications
时间:2026-10-02
-
用于吸收主导型高性能电磁干扰屏蔽的三维多孔碳纳米管/碘掺杂还原氧化石墨烯材料
•通过调控碘掺杂水平和孔隙结构,实现了从反射主导到吸收主导的电磁屏蔽转变,且两种机制均表现出高性能。•CIR在X波段(8.2-12.4 GHz)的平均电磁干扰屏蔽效能(EMI SE)为92.5 dB,绝对屏蔽效能(SSE/t)为10,460.72 dB·cm2·g-1,绿色指
来源:ACTA PHYSICO-CHIMICA SINICA
时间:2026-10-02
-
红外与微波兼容隐身材料的研究进展
摘要红外和雷达探测技术是主要的探测手段,对飞机和设备的隐身性能构成严重威胁。因此,实现针对红外和微波雷达探测的兼容隐身至关重要,以提高其生存能力。同时,这些多光谱隐身材料在民用领域也具有巨大的应用潜力,例如提高太阳能集热器的效率和减少建筑物的热损失。在实现兼容隐身目标的过程中
来源:ACTA PHYSICO-CHIMICA SINICA
时间:2026-10-02
-
环境条件下供体功能化离子共价有机框架纳米片上高效光催化生成H₂O₂
•供体基团调控iCOFs中的介电约束,促进电荷分离。•甲氧基诱导的极化将激子结合能降低至32.5 meV。•TMTG在空气和纯水中实现了最高的H2O2生成速率,达568.9 μmol L−1 h−1 H2O2。•供体调控的O2活化有利于两步单电子ORR途径。引言利用太阳能作为
来源:ACTA PHYSICO-CHIMICA SINICA
时间:2026-10-02
-
Cu/CuO_x纳米线上电催化硝酸盐还原制氨
随着工农业的发展,大量含硝酸盐污染物被排放。这导致了严重的环境污染和氮循环失衡,威胁生态系统和人类健康。电催化硝酸盐还原制氨可将污染物转化为重要的化工原料和储能分子,为利用可再生能源生产氨提供了一种可行的途径。然而,该反应复杂,涉及多个步骤和中间产物,面临高过电势以及选择性低
来源:ACTA PHYSICO-CHIMICA SINICA
时间:2026-10-02
-
钠离子电池正极材料 Na₄Fe₃(PO₄)₂P₂O₇ 空气稳定性的基础理解
摘要正极材料的空气稳定性是钠离子电池(SIBs)商业化的关键前提条件,因为它影响电极加工、容量衰减及其他实际考量。尽管层状氧化物以其对空气的极端敏感性而闻名,但Na4Fe3(PO4)2P2O7(NFPP)正极材料表现出相对较好的空气稳定性。然而,长时间暴露于空气中仍会导致降解
来源:ACTA PHYSICO-CHIMICA SINICA
时间:2026-10-02
-
面向锂离子电池制造耦合生产节奏的多层能源网络协同优化
• 多层资源-任务网络整合了生产与设备约束。
• 多层能量网络协调空气、冰蓄冷和热回收。
• 滚动时域MPC相较于日前规划降低运行成本8.89%。
引言
在工业能源占主导地位的背景下,锂离子电池制造一直具有能耗高、能源系统管理松散的特点[1]、[2]。锂离子电池制造对环境
来源:JOURNAL OF MANUFACTURING SYSTEMS
时间:2026-10-02
-
面向增材制造实时集成调度与排样的几何感知深度强化学习
## 摘要
**翻译:**
•提出了一种几何感知的深度强化学习(DRL)方法,用于增材制造(AM)中的集成调度与嵌套问题。•采用专用编解码器结合基于势能的奖励机制,引导几何感知的学习过程。•在异构增材制造机器上实现近最优完工时间,并支持实时推理。•展现出对未知机器设置和真实
来源:JOURNAL OF MANUFACTURING SYSTEMS
时间:2026-10-02