直链亚烷基三丁基双季鏻盐的合成与性能

采用双分子亲核加成反应,以三丁基膦、1,6-二溴己烷和1,12-二溴十二烷为原料,在一定条件下分别合成了1,6-亚己基双(三丁基溴化鏻)(HBTP)和1,12-亚十二烷基双(三丁基溴化鏻)(DBTP),并对离子液体产物进行结构表征。采用绝迹稀释法评价杀菌性能,结果表明:在相同的药剂浓度及作用时间下,DBTP的杀菌效果最好,质量浓度为20 mg/L、接触时间为0.5 h时,其对腐生菌、硫酸盐还原菌、铁细菌的杀菌率分别为98.40%、96.44%、99.73%。对比实验表明,DBTP的杀菌能力比四羟甲基硫酸鏻(THPS)强。

甲壳素接枝季鏻基杀菌混凝剂的合成及性能研究

以甲壳素、亚硫酰氯和三苯基膦为原料,经取代反应和双分子亲核加成反应,合成了具有良好混凝性能和杀菌性能的甲壳素接枝季鏻基杀菌混凝剂。通过正交实验确定最佳合成条件如下:反应物配比n(甲壳素)∶n(亚硫酰氯)∶n(三苯基膦)=1.0∶1.5∶1.5、反应温度60℃、反应时间8h、环己酮作溶剂,将其用于pH=6.0的高岭土模拟废水的混凝实验,去浊率达80%左右。4#实验合成得到的杀菌混凝剂在37℃的PBS缓冲溶液中对大肠杆菌的最小抑菌浓度为10mg.L-1,杀菌率达90%以上;当投药量为40mg.L-1时,对假丝酵母菌的杀菌率达90%以上。

琼东南盆地南部隆起带渐新统崖城组层序沉积模式

近期在琼东南盆地南部隆起带前古近系潜山基岩储层和渐新统崖城组砂岩储层中连续获得了天然气勘探重大突破。为了进一步明确崖城组沉积物源及沉积相带展布、为该区天然气勘探部署提供技术支撑,基于最新的钻井资料,结合地震资料解释成果,研究了该盆地南部隆起带崖城组层序地层、沉积物源及层序格架下的沉积相展布。研究结果表明:①南部隆起带崖城组发育3个三级层序,每个三级层序受三级海平面变化控制周期性发育海侵体系域和高位体系域,低位体系域以对老层序高位体系域的改造为主;②崖城组具有多沉积中心与多物源的特点,各凹陷缓坡发育宽相带的扇三角洲—陆棚沉积体系,陡坡发育窄相带的水下扇—陆棚沉积体系;③南部隆起崖城组发育海侵体系域、高位体系域和低位体系域3种层序沉积模式;④南部隆起带前古近系潜山花岗岩基底遭受了长期暴露剥蚀,古隆起形成了重要的潜山型花岗岩储层,崖城组残留了较大面积的扇三角洲砂体,低位期暴露剥蚀改造,形成了具一定规模的砂岩储层。结论认为,该研究成果可以为该区崖城组碎屑岩储层分布规律研究提供依据。

广州秋季灰霾生消过程气溶胶单颗粒组成特征研究

为了解广州地区灰霾天气成因及污染特征,更好地为保障空气质量提供基础数据和科技支撑,利用单颗粒气溶胶质谱仪(SPAMS)研究了广州市秋季(2013年9月26日─10月10日)灰霾生消过程中大气气溶胶单颗粒组成特征。根据空气质量将观测时段划分为优良、轻度污染和重度污染3种类型,并对颗粒物化学组成的变化过程进行分析。研究结果表明,大气颗粒物类型主要可分为8种:元素碳颗粒(EC)、有机碳颗粒(OC)、元素碳有机碳混合颗粒(ECOC)、大分子有机碳颗粒(HOC)、富钾颗粒(K-rich)、左旋葡聚糖颗粒(LEV)、重金属颗粒(HM)和富硅酸盐颗粒(SI),这8种颗粒类型占了监测期间总颗粒的96%。重度污染天气下,从颗粒物平均质谱图来看,颗粒中含有的二次离子(硫酸盐和铵盐)相对于优良天气明显升高;从成分类别来看,富钾颗粒比例从15.1%增加到58.3%,说明来自生物质燃烧一次源的比例大幅增加,结合风速变化推断,灰霾发生的原因主要是由于气象扩散条件不利(平均风速小于3 m·s^(-1)),来自生物质燃烧的颗粒物持续积累,同时二次反应导致气溶胶颗粒更加老化。

基于深度学习模型的广州市大气PM_(2.5)和PM_(10)浓度预测

精准预测大气污染颗粒物PM_(2.5)、PM_(10)浓度能为大气污染防治提供科学依据,但目前较多PM;和PM;浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM;和PM;浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_(2.5)、PM_(10)日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_(2.5)、PM_(10)日均浓度。根据MSE、RMSE、MAPE、MAE和R;等评价指标,对4个模型的PM_(2.5)、PM_(10)预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_(2.5)、PM_(10)浓度。