龙蒿精油纳米胶囊制备工艺优化及结构表征研究

以龙蒿精油为芯材,壳聚糖为壁材,采用离子凝胶法制备龙蒿精油纳米胶囊。通过单因素试验考察芯材与壁材质量比、壳聚糖溶液的pH、三聚磷酸钠与壳聚糖的质量比对龙蒿精油包埋率的影响。采用Box-Behnken试验设计和响应面分析优化纳米胶囊制备工艺,建立影响因素的二次回归模型。采用透射电镜、傅里叶红外光谱仪、差示扫描量热仪对所制备的纳米胶囊进行表征分析。结果表明:响应面优化得出龙蒿精油纳米胶囊的最佳制备工艺为芯壁比2∶1、pH 3.5、三聚磷酸钠与壳聚糖的质量比0.4∶1.0,该条件下龙蒿精油纳米胶囊的包埋率为43.67%。傅里叶红外光谱分析证实龙蒿精油被成功包埋;透射电镜观察纳米胶囊呈较规则圆形,平均粒径约为40nm;差示扫描量热分析表明龙蒿精油纳米胶囊具有良好的热稳定性。     

公民水素养评价表征因素模型构建与分析

针对我国水资源紧缺、水生态损害、水环境污染等相关水问题,以提升全民爱水惜水节水护水的意识和能力为目标,从水素养概念出发,通过扎根理论质性研究方法对公民水素养评价的表征因素进行筛选和提炼,最终得出包含水知识、水态度、水行为为主范畴的10个表征因素并运用解释结构模型(ISM)深入剖析各因素之间的内在联系。在此基础上建立了3级多层次递阶结构模型,进一步精确描述系统各要素两两之间的直接关系。结果表明:公民水素养评价的表征因素自上而下形成了表象层、中间层和根源层等3个层级,可直观、清晰地反映表征因素之间的递阶、层级关系;水态度在各表征因素中具有调节作用以及各表征因素之间存在内在逻辑关系。研究成果为提高公民水素养水平提供一定的科学依据和政策参考。     

表面印迹耦合溶胶-凝胶法制备4-硝基酚印迹材料及性能表征

采用表面印迹和溶胶?凝胶相结合的方法，以4-硝基酚(4-NP)为模板分子、α-甲基丙烯酸(α-MAA)为功能单体、三羟甲基丙烷三甲基丙烯酸酯(TRIM)为交联剂、偶氮二异丁腈(AIBN)为引发剂，制备可选择性识别吸附去除水中4-NP污染物的印迹吸附材料，考察了4-NP与α-MAA和4-NP与TRIM摩尔比、致孔剂种类、提取液种类对所制材料吸附性能的影响，并通过正交实验优化材料制备条件，用扫描电子显微镜、傅立叶红外光谱仪、比表面积分析仪、热重?差热分析仪和纳米粒度仪等设备对最优条件下合成的材料进行了表征。结果表明，4-NP:α-MAA摩尔比为1:8，4-NP:TRIM摩尔比为1:10，致孔剂为乙醇，提取液为甲醇/乙酸(7:3，体积比)时所制印迹材料对4-NP的去除效果最佳，达6.23 μmol/g；4-NP成功印记在硅胶表面，印迹材料能特异性吸附4-NP。     

复合酶法提取黄秋葵可溶性膳食纤维的工艺优化及其理化特性、结构表征

以黄秋葵果荚为原料,采用复合酶法提取可溶性膳食纤维(soluble dietary fiber,SDF),通过单因素实验,探究不同因素对黄秋葵SDF得率的影响。在单因素实验的基础上进行响应面分析,得到复合酶法制备黄秋葵SDF的最优条件;并测定所得黄秋葵SDF的理化特性,并对其进行结构表征。结果表明:在料液比1:24 g/mL、复合酶添加量1.8%、酶解时间54 min、酶解温度62℃的提取条件下,黄秋葵SDF得率达到最大值,为10.94%,与预测值之间的相对误差为1.48%。黄秋葵SDF的持水力、膨胀力和持油力分别为5.61 g/g、3.35 mL/g和4.88 g/g,良好的理化特性使其具有成为通便保健食品原料的潜力。黄秋葵SDF的微观结构显示,经过酶的作用,黄秋葵SDF表面的淀粉类物质被充分除去;黄秋葵SDF的晶体结构符合纤维素I晶型的特征,其红外光谱图线符合膳食纤维类物质的典型特征。     

玻璃纤维增强建筑用聚乙烯树脂复合材料的性能

采用剥离测试方法来表征制得的玻璃纤维增强建筑用聚乙烯树脂复合材料的界面黏结强度,并对其进行红外光谱、接触角、微观组织测试与分析。研究结果表明:采用浸润剂处理可以使玻璃表面生成新基团;浸润剂能够提高玻璃表面接触角,从而更易与树脂形成浸润状态,由此改善玻璃和树脂的界面结合状态,实现界面黏结特性的显著优化。在剥离测试中发现经浸润剂处理后,玻璃可以和树脂之间形成更强的界面结合作用;树脂从玻璃表面发生剥离之后,形成了光滑的玻璃片,同时还有部分纵横交错的划痕。     

一锅法制备纳米纤维素及其性能研究

采用一种操作简单、绿色环保的以对甲苯磺酸为催化剂对竹纤维进行水热处理制备纳米纤维素(NCC)的方法。考察了反应时间、反应温度和超声作用对纳米纤维素得率和性能的影响。结果表明,在反应温度110℃、反应时间45 min、超声时间120 min的条件下,纳米纤维素得率最高。     

基于门控联合池化自编码器的通用性文本表征

为了学习文本的语义表征,以往的研究者主要依赖于复杂的循环神经网络(recurrent neural networks, RNNs)和监督式学习方法。该文提出了一种门控联合池化自编码器(gated mean-max AAE)用于学习中英文的文本语义表征。该文的自编码器完全通过多头自注意力机制(multi-head self-attention mechanism)来构建编码器和解码器网络。在编码阶段,提出了均值—最大化(mean-max)联合表征策略,即同时运用平均池化(mean pooling)和最大池化(max pooling)操作来捕获输入文本中多样性的语义信息。为促使联合池化表征可以全面地指导重构过程,解码器采用门控操作进行动态关注。通过在大规模中英文未标注语料上训练模型,获得了高质量的句子编码器。在重构文本段落的实验中,该文模型在实验效果和计算效率上均超越了传统的RNNs模型。将公开训练好的文本编码器,使其可以方便地运用于后续的研究。