ZSM-5分子筛吸附氨氮的机理及影响因素研究

利用ZSM-5分子筛对污水中的NH_(3)-N进行吸附脱除。通过改变吸附条件对污水中NH_(3)-N的去除效果进行探究分析。结果表明,在25℃、pH为7的溶液中,使用1 g ZSM-5分子筛吸附氨氮废水30 min时效果最佳。为探究其吸附机理,对ZSM-5分子筛进行等温吸附、吸附热力学、吸附动力学研究。结果表明,其等温吸附更符合Langmuir模型,吸附过程为吸热过程,其吸附动力学更符合Lagergren准二级模型。为提升ZSM-5分子筛的吸附效果,分别使用盐酸、氢氧化钠、氯化钠对其进行改性。结果表明,改性后的分子筛性能均有不同程度的提升,其中0.5 mol/L的氢氧化钠改性后的分子筛吸附50 mg/L的氨氮废水,处理后氨氮浓度降至3.5 mg/L。

基于区块链构建安全去中心化的联邦学习方案

联邦学习甫一问世便得到了广泛的关注,被认为是一种具有广阔前景的分布式机器学习范式.然而,传统联邦学习方案基于中央服务器的集中式设计,在效率和可扩展性上存在不足.此外,集中式设计需要有可信的中央节点协调参与者完成训练,可能导致信任和可靠性的问题,例如中央服务器被操控或是出现单点故障.为了解决上述问题,相关领域的研究人员提出了基于区块链的去中心化联邦学习方案.去中心化联邦学习修补了传统集中式联邦学习的缺陷,但与此同时也引入了全新的攻击面.具体而言,由于区块链将网络中节点发起的全部事务保存在一个公开共享的数字账本,所有区块链节点都可以获取联邦学习参与者每轮的本地训练模型副本.这一现象严重地侵害了参与者的数据隐私和自身利益.在上述困境的驱动下,本文提出了一种安全去中心化联邦学习的可行方案,能够同时解决联邦学习参与者的数据机密性问题和学习公平性问题.区别于此前的研究工作,还提出了一种基于区块链的联邦学习的生产–消费模型,用于在模型安全聚合过程中审查参与者的本地行为,防止出现参与者不劳而获或是虚假训练的情况,在此基础上本文提出APoS共识机制,提供一种激励与审查机制,确保参与者在联邦学习的过程中倾向于选择诚实的训练.