褪色分光光度法测定碱性锌-铈合金镀液中的铈

研究了褪色分光光度法测定碱性锌-铈合金镀液中的铈的质量浓度,在盐酸介质中,铈(Ⅳ)的强氧化性能使三溴偶氮胂褪色,表观摩尔吸光系数ε660nm=2.1×104(L·mol-1·cm-1),铈(Ⅳ)的质量浓度在0～14μg/mL范围内符合比尔定律。方法快速,准确,简便。     

催化光度法测定水中痕量银

建立了催化光度法测定水中痕量银的方法,讨论了影响指示反应的最佳条件。结果表明,Ag浓度在0～40μg·L-1范围内符合比尔定律,用于水中的痕量银的测定,回收率均在97%以上,样品的相对标准偏差RSD4%。     

双显色双波长分光光度法同时测定铈和钇

本文应用一种新的光度分析法──双显色双波长分光光度法对铈和钇进行同时测定。通过选择两个适当的显色体系和最佳波长对组，可有效地排除干扰，达到直接进行测定的目的。同时，本文研究了一个测定稀土元素的新显色体系。     

神经网络-光度法同时测定食品中防腐剂和甜味剂

根据食品中常用防腐剂本甲酸和山梨酸及甜味剂糖精钠在紫外区均有吸收的特点，建立了一种以紫外分光光度法为基础对该三组分同时测定的方法，光谱数据采用作者自编的径向人工神经网络MATLAB程序进行处理，苯甲酸、山梨酸和糖精钠的平均标准偏差分别为1.60%、5.23%和1.21%，回收率大为95.0-102.0%之间，将该法应用于食品中二组分的测定，获得较为满意的结果。     

神经网络--光度法同时测定铀矿石中铀和钍

本文讨论了一种不经分离以光度法同时测定铀矿石中铀和钍的方法，光谱数据采用径向基人工神经网络程序进行处理，对一组合成样品进行分析，铀和钍的平均标准偏差分别为7．56％和2．12％，回 大约为80－117％，利用该法对铀矿石中的铀和钍进行测定，结果满意。     

DBN─偶氮氯膦快速光度法测定有色合金中铈组稀土

ＤＢＮ－偶氮氯膦光度法测定球墨筹铁［１］和镍基合金中［２］铈组稀土文献已有报导。本文在深入研究各项显色反应条件后，提出了在磷酸的高酸度下（１．５ｍｏｌ／Ｌ）直接光度法测定铈组稀土，选择性明显提高，合金中主要元素的允许存在量达ｍｇ级以上，可以快速光度法测定锌合金、镁合金、铪合金、铜合金、镍合金和钴合金中铈组稀土，介质本身又可消除Ｚｒ（１Ｖ）的影响，显色液有很好的稳定性。     

催化动力学分光光度法测定铬

研究了催化动力学分光光度法测定痕量铬。在硫酸溶液中,研究了痕量铬(Ⅵ)对溴酸钾氧化橙黄Ⅳ退色反应的催化效应及其动力学条件,建立了测定痕量铬(Ⅵ)的新方法。结果表明,最佳条件为:50 mmol/L硫酸溶液用量为3.0 mL,0.01%橙黄Ⅳ溶液用量为3.0 mL,5 mmol/L溴酸钾溶液用量为1.5 mL,在50℃水浴下反应6 m in,加入抗坏血酸溶液终止反应,并进行了干扰分析,方法的线性范围为0.2~1.0μg/L,检出限为1.09×10-6μg/L。该法用于水中痕量铬(Ⅵ)的测定,结果满意。     

痕量硒的催化动力学光度法测定

研究发现,在盐酸介质中痕量Se(Ⅳ)能催化H2O2氧化甲基红退色,由此建立了一种测定痕量硒的催化动力学新方法.该方法的最大吸收波长为520nm,线性范围为0～52μg·L-1,检出限为1.6μg·L-1.该法用于茶叶等样品中硒的测定,结果满意.     

中性红褪色光度法测定微量铈

依据在硫酸介质中,微量Ce(IV)的强氧化性能使中性红褪色的原理,建立了一种新型快速测定微量Ce(IV)的褪色光度法。实验结果表明:在530nm处,Ce(IV)浓度在0.5~20.0μg·m L-1范围内与中性红褪色程度ΔA成正比,线性回归方程为:y=0.0165x-0.0084,相关系数r=0.9920,检出限为0.26μg·m L-1。将该法用于稀土矿石中微量铈的测定,分析结果的相对标准偏差为2.7%,加标回收率为98.9%,结果令人满意。     

催化动力学光度法测定黑木耳中痕量硒

采用催化动力学光度法对黑木耳中硒的含量进行了分析测定。在硝酸介质中,硒(Ⅳ)催化溴酸钾氧化罗丹明B产生褪色,以此建立了催化动力学光度法分析微量硒的方法。实验结果表明:硒的浓度在0～8μg/L范围内,lg(A0/A)与浓度C之间呈良好的线性关系;方法的回收率为97.4%～103.9%,相对标准偏差小于0.81%,方法的准确度与精密度较好,适用于黑木耳中痕量硒的分析。     

人工神经网络分光光度法同时测定锆和铬的研究

在锆 (铬 ) -二溴羟基苯基荧光酮 - Triton X- 1 0 0显色体系中 ,应用三层人工神经网络解析锆和铬的吸收光谱 ,分光光度法同时测定锆和铬。锆和铬分别在 0～ 0 .48mg/ L和 0～ 1 .5 6 mg/ L浓度范围内服从 Beer定律 ,其表观摩尔吸光系数分别为ε53 4=1 .48× 1 0 5L/ (mol· cm) ,ε50 0 =2 .3×1 0 4 L/ (mol·cm)。使用改进的 BP算法 ,避免了人工神经网络学习过程中可能产生的麻痹现象。对合成样品分析 ,结果满意。     

氧化还原-邻菲罗啉分光光度法测定玻璃中铈的研究

采用在无银（Ⅰ）催化、0．5mol／L硫酸、0．1g／L过硫酸铵的溶液中,加热煮沸10min将铈（Ⅲ）氧化成铈（Ⅳ）后,加入一定量过量的Fe^2＋或Fe（Phen）3^2＋溶液与之作用,过量物在避光条件下用邻菲罗啉分光光度法测定,从而测得玻璃中的铈含量。分析了玻璃中的微量二氧化铈,S=0．002496,Cv〈5％,相对误差〈8％。前人的诸多研究都没有注意到溶液中存在的光化学还原干扰。     

NP-7作增敏剂催化光度法测定微量锰

研究了在HAc NaAc介质中 ,在表面活性剂NP 7存在下 ,痕量锰 (Ⅱ )催化高碘酸钾氧化偶氮胂(Ⅲ )的褪色反应 ,用正交实验方法确定了最佳实验条件 ,从而建立了测定痕量锰的新方法。本法检出限为 1.6×10 - 6 g/L ,锰的线性范围为 0 .12～ 0 .68μg/2 5mL ,方法已用于Co、Mn催化剂中痕量锰的测定 ,得到令人满意的效果。用本法对化工生产中钴、锰催化剂残留量的分析结果与原子吸收光谱法一致。测得的最大相对误差为3.83% ;最大相对标准偏差为 3.66;回收率在 95 .5 %～ 10 5 .0 %之间     

"人工神经网络"方法用于超临界流体萃取模拟

在15－30MPa和303－323K条件下，用超临界CO2流体萃取沙棘籽油，结果表明，最高沙棘油收率（30MPa,308K)可达到90％以上，对过程进行动力学模拟，建立了超临界萃取过程的人工神经网络（ANN）模型，以MATLAB软件为平台，编制了SFE－ANN模拟程序系统，采用3层BP网络结构，以压力，温度、萃取时间为输入，以萃取出油量为输出对网络进行训练，由此得到的网络可以对萃取速率和单位时间床高方向的萃取出油量进行准确的模拟和预测，与实验结果比较证明，训练样本集误差为0．2％，测试样本集误差为0．5％，模拟误差小于6％。     

偏最小二乘-神经网络光度法同时测定水中的NO3-和NO2-

应用偏最小二乘-神经网络直接解析硝酸根和亚硝酸根的紫外光谱,不经分离紫外吸光光度法同时测定硝酸根和亚硝酸根。在BP算法上,引用改进的误差传递函数,并采用均匀试验设计法确定了最佳网络运行参数。用于水样中硝酸根和亚硝酸根的同时测定,回收率分别为99.0%,105.0%。     

催化氧化动力学法测定电镀废液中的铬（Ⅵ）

研究并确定了Ｃｒ（Ⅵ）对过氧化氢氧化５号专利蓝退色反应的催化作用及动力学条件。建立了痕量Ｃｒ（Ⅵ）的分光光度分析法,其检出限为１．９ １０＾－８ｇ／ｍＬ,废液中铬（Ⅵ）的回收率达９０％以上。     

用人工神经网络研究对氯苯氧乙酸钾的合成工艺

用BP神经网络对相转移催化合成对氯苯氧乙酸钾工艺进行了研究,结果表明,在KOH的量为18 33g,反应时间1 0～6 0h、反应温度50 0～90 0℃、甲苯用量10 0～80 0mL、催化剂四丁基溴化铵用量0 20～1 80g、n(对氯苯酚)∶n(一氯乙酸)=1 00∶(1 00～4 00),具有两层隐层的BP网络可较好地体现对氯苯氧乙酸钾合成规律,对其合成有较高的预测能力。反应时间的延长、甲苯用量的提高对对氯苯氧乙酸钾的生成量的增加影响不大;相转移催化剂四丁基溴化铵量增加反而导致对氯苯氧乙酸钾一定程度的下降;尤其是原料配比(对氯苯酚与一氯乙酸的量比)升高对对氯苯氧乙酸钾的生成影响较大。在上述反应条件范围内,反应时间为1h、反应温度90℃、四丁基溴化铵0 20g、甲苯10 0mL、n(对氯苯酚)∶n(一氯乙酸)=1 00∶4 00、KOH18 33g时对氯苯氧乙酸钾的生成量最大,实验值为15 1478g,网络预测值是16 3670g。     

钌催化高碘酸钾氧化偶氮胂I动力学光度法测定痕量钌

在 H3 PO4、90± 0 .5°C水浴条件下 ,Ru( )催化高碘酸钾氧化偶氮胂 I的褪色反应基础上 ,提出了测定钌的新催化光度法。钌质量浓度在 0～ 0 .0 8μg/1 0 m L范围内符合比尔定律 ,检出限为3.47× 1 0 -4μg/m L。对 0 .0 5 μg/1 0 m L Ru( )测定的相对标准偏差为 1 .47% ( n=1 0 )。该催化反应是一级反应 ,表观活化能为 5 8.82 k J/mol。此法已用于了某些冶金产品和矿石中钌的测定 ,相对标准偏差为 1 .73%～ 2 .0 3% ,标准加入回收率为 97%～ 1 0 5 %。     

神经元网络在化学工程中的应用与发展

综述了神经元网络在化工领域中的应用状况，并指出了今后的发展趋势。     

Prediction of Bromate Removal in Drinking Water Using Artificial Neural Networks

In treatment of natural water resources, bromide transforms into carcinogenic bromate, especially during the ozonation process. Adsorption was used in the experimental part of this study to remove this harmful compound from drinking water. For this purpose, technically, HCl-, NaOH-, and NH₃-modified activated carbons were used. Scanning Electron Microscopy (SEM) and Brunauer–Emmett–Teller (BET) analyses were carried out within the characterization study. Moreover, the effects of diameters and heights of adsorption columns, flowrate, and particle size of adsorbent were investigated on the removal amounts of bromate. Optimum conditions were obtained from the experiments, and regional/real samples were collected and analyzed. After the experiments, an artificial neural network (ANN) was used to predict bromate removal percentage by using the observed data. Within this context, a feed-forward back-propagation ANN was chosen in this study. Additionally, the transfer function was selected as tangent sigmoid and 3 neurons were used in the hidden layer. Particle size and amount of the activated carbon, height and diameter of the column, volumetric flowrate, and initial concentration were selected as the input variables. Bromate removal percentage was selected as the output. It was found that the model an R value of 0.988, RMSE value of 3.47 and mean absolute percentage error (MAPE) of 5.19% in the test phase.