CN113929165B - 一种锆酸锶基化合物及其制备方法和应用 - Google Patents
一种锆酸锶基化合物及其制备方法和应用 Download PDFInfo
- Publication number
- CN113929165B CN113929165B CN202110791303.XA CN202110791303A CN113929165B CN 113929165 B CN113929165 B CN 113929165B CN 202110791303 A CN202110791303 A CN 202110791303A CN 113929165 B CN113929165 B CN 113929165B
- Authority
- CN
- China
- Prior art keywords
- strontium
- zirconate
- based compound
- strontium zirconate
- wastewater treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J23/00—Catalysts comprising metals or metal oxides or hydroxides, not provided for in group B01J21/00
- B01J23/70—Catalysts comprising metals or metal oxides or hydroxides, not provided for in group B01J21/00 of the iron group metals or copper
- B01J23/76—Catalysts comprising metals or metal oxides or hydroxides, not provided for in group B01J21/00 of the iron group metals or copper combined with metals, oxides or hydroxides provided for in groups B01J23/02 - B01J23/36
- B01J23/78—Catalysts comprising metals or metal oxides or hydroxides, not provided for in group B01J21/00 of the iron group metals or copper combined with metals, oxides or hydroxides provided for in groups B01J23/02 - B01J23/36 with alkali- or alkaline earth metals
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/72—Treatment of water, waste water, or sewage by oxidation
- C02F1/725—Treatment of water, waste water, or sewage by oxidation by catalytic oxidation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/72—Treatment of water, waste water, or sewage by oxidation
- C02F1/78—Treatment of water, waste water, or sewage by oxidation with ozone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/20—Total organic carbon [TOC]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Catalysts (AREA)
Abstract
本申请公开了一种锆酸锶基化合物及其制备方法和应用,所述锆酸锶基化合物包括锆酸锶铁;所述锆酸锶基化合物具有钙钛矿型结构。本申请将锆酸锶铁作为降解废水的催化剂,具有良好的中间甲酚转化率和TOC去除率,且制备方法简单,无污染,易回收利用,是一种绿色环保的工艺,且具有制备催化剂时间周期短、人力物力消耗较少的优势。
Description
技术领域
本申请涉及一种锆酸锶基化合物及其制备方法和应用,属于废水处理技术领域。
背景技术
高强度、高活性、长寿命催化剂的研发是废水处理过程的关键任务,但催化剂开发是一个时间周期长,需要消耗大量的人力、物力的过程。现有技术中,采用响应面法对过程的回归拟合和响应曲面绘制可方便找出各因素水平的响应值。在各因素的水平响应值的基础上,可以找出预测的响应最优值以及相应的实验条件。但是,响应面法预测结果与实际检测结果相差较大,不能满足预测的要求。因此,如何提高预测的准确性是一个亟待解决的问题。
发明内容
根据本申请的一个方面,提供了一种锆酸锶基化合物及其制备方法和应用,采用锆酸锶铁作为降解废水的催化剂,具有良好的底物转化率和TOC的去除率。
一种锆酸锶基化合物,所述锆酸锶基化合物包括锆酸锶铁;
所述锆酸锶基化合物具有钙钛矿型结构。
可选地,所述锆酸锶铁的分子式为SrFexZr1-xO3;
其中x的取值范围为0.02~0.25。
根据本申请的又一个方面,提供了锆酸锶基化合物的制备方法,所述方法至少包括以下步骤:
步骤1、获得含有锆源、锶源、铁源的混合物I,与含有沉淀剂、碱性物质的混合物II,进行共沉淀反应,得到沉淀物;
步骤2、对所述沉淀物依次进行老化处理、煅烧处理,得到所述锆酸锶基化合物。
可选地,所述锆源为氧氯化锆;所述锶源为氯化锶;所述铁源为硝酸铁;所述沉淀剂为草酸铵;所述碱性物质为氨水;所述分散剂为聚乙二醇。
可选地,以锆元素、锶元素摩尔比计,所述锆源、锶源的摩尔比为1:1.1;
可选地,所述沉淀剂与锆源的质量比为1.1:1;
可选地,所述共沉淀反应的条件为:
共沉淀反应时间0.5~1.5h。
可选地,所述混合物II还包括分散剂;
可选地,步骤1包括:将所述混合物II滴加到混合物I中,进行共沉淀反应;
所述滴加速度为50~150mL/30min。
可选地,逐滴加入时间为20分钟,再继续搅拌共沉淀反应1小时。
可选地,所述混合物I和混合物II中均包括溶剂,所述溶剂为水。
可选地,步骤1还包括:在反应过程中半封闭反应容器,在保持通气的情况下,防止水分过度蒸发。
可选地,所述老化处理的条件为:
老化处理温度80~120℃,老化处理时间为14~34h。
可选地,所述煅烧处理的条件为:
煅烧处理温度1000~1500℃,煅烧处理时间1~11h。
可选地,在进行煅烧处理前进行预热处理;
所述预热处理的条件为:
预热处理温度200~500℃,预热处理时间1~3h。
根据本申请的又一个方面,提供了应用催化剂处理废水的方法。
一种废水处理方法,所述方法包括:
在降解催化剂存在条件下,采用臭氧对废水进行氧化;
所述降解催化剂选自上述催化剂、上述任一方法制备得到的催化剂中的至少一种。
可选地,所述方法还包括:运用人工智能算法,对所述锆酸锶基化合物制备过程中各参数进行确定;和/或
运用人工智能算法,对所述锆酸锶基化合物制备的各参数进行优化;和/或
运用人工智能算法,对所述锆酸锶基化合物的应用效果进行预测。
可选地,所述人工智能算法包括响应面法和人工神经网络算法。
可选地,所述人工智能算法的运用,包括:
在不同的反应条件下制备得到多种锆酸锶基化合物,并检测各个锆酸锶基化合物催化臭氧对废水处理的效果,记录各个锆酸锶基化合物的制备反应条件数据和废水处理的效果数据,得到试验数据集;
再将试验数据集划分为训练集和验证集,使用训练集和验证集训练人工智能神经网络模型;
利用训练完成的神经网络模型预测对废水处理的效果最佳的锆酸锶基化合物的最佳制备反应条件。
可选地,所述试验数据集的建立方法为:采用响应面法选取所述反应条件的水平,并设计不同反应条件水平的组合,得到多组反应条件组合,根据各个条件组合制备得到多种锆酸锶基化合物,检测各个锆酸锶基化合物催化臭氧对废水处理的效果,将各个反应条件组合与对应的废水处理的效果数据结合,得到试验数据集。
可选地,所述试验数据集种包括至少40组的反应条件组合。
可选地,所述反应条件包括:分散剂的加入量、碱性物质的加入量、铁源的加入量、老化时间和煅烧时间中的至少一种。
可选地,所述锆酸锶基化合物催化臭氧对废水处理的效果包括:模型底物的转化率和TOC去除率。
可选地,所述模型底物包括间甲酚。
具体地,锆酸锶基化合物制备过程中各参数的确定方法包括:
1、使用响应面法针对聚乙二醇加入量、氨水加入量、硝酸铁加入量、煅烧时间、老化时间五个因素设计出50组实验数据,制备50个锆酸锶基化合物;
2、对50个锆酸锶基化合物采用臭氧氧化方法进行评价实验,检测锆酸锶基化合物存在条件下,对应的模型底物的转化率和TOC去除率数据;
3、使用人工神经网络算法对50组实验数据合对应的模型底物的转化率和TOC去除率数据进行拟合,预测出最佳的锆酸锶基化合物制备配方参数。
本申请中响应面优化法是指响应面法(Response Surface ma Methodology)是一种实验条件寻优方法,适宜解决非线性数据处理的相关问题,包括了实验设计、建模、检验模型的合适性、寻找最佳组合等实验技术,通过对过程的回归拟合和响应曲面绘制可方便找出各因素水平的响应值。在各因素的水平响应值的基础上,可以找出预测的响应最优值以及相应的实验条件。
响应面法的优势有:1)响应面法考虑了实验随机误差,将复杂的未知函数关系在小区域内用简单的一次或二次多项式模型来拟合,计算简便;2)响应面法所获得的预测模型是连续的,与正交实验相比其优势是在实验条件寻优过程中可以连续对实验的各个水平进行分析,正交试验只能对一个个孤立的实验点进行分析。
本申请中人工神经网络算法是指可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。
神经网络具备的优点有1)分布存储和容错性即一个信息不是存储在一个地方而是分布在整个网络上,若信息丢失或者损坏甚至有错误信息它仍能恢复出原来正确的完整的信息系统仍能运行;2)大规模并行处理即人工神经元网络在结构上是并行的,并且网络的各个单元可以同时进行类似的处理过程,因此网络信息平行有层次运算速度较高;3)自学习、自组织和自适应性质即多种多样各神经元之间连接强度具有一定的可塑性恰好能完成对环境的回应和对外界事物的学习能力。
人工智能算法对于数据的处理过程如图2所示,所述人工神经网络算法的训练过程如图3所示。具体方式为:原始数据被随机分为训练集和验证集。交叉验证是通过网格算法全局搜索参数以获得理想网络的一种方法。首先随机给定待调参数给训练集得到一个模型,验证集评估该模型对未知事物是否具有良好的预测能力,从而评估选定参数是否合适,即模型的训练完全通过训练集合和验证集合完成。测试集评估最终模型的性能。
本申请采用响应面法设计实验,考察聚乙二醇加入量、氨水加入量、硝酸铁加入量、老化时间、煅烧时间等五个因素对钙钛矿型锆酸锶催化剂在催化臭氧氧化废水中的影响,使用人工智能算法结合50组实验数据预测钙钛矿型锆酸锶催化剂在废水处理过程中的间甲酚的转化率和TOC去除率,并找到锆酸锶催化剂的制备方法中对催化效率影响比较大的因素。
根据上述技术方案,本申请中提出了一种运用人工智能算法预测最佳的催化剂的方法,在不同的反应条件下制备得到多种催化剂,并检测各个催化剂的催化效果,记录各个催化剂的制备反应条件数据和催化效果数据,得到试验数据集;
再将试验数据集划分为训练集和验证集,使用训练集和验证集训练人工智能神经网络模型;
利用训练完成的神经网络模型预测对催化效果最佳的催化剂的反应条件。
可选地,所述试验数据集的建立方法为:采用响应面法选取所述反应条件的水平,并设计不同反应条件水平的组合,得到多组反应条件组合,根据各个条件组合制备得到多种催化剂,检测催化剂的催化效果,将各个反应条件组合与催化效果数据结合,得到试验数据集。
本申请能产生的有益效果包括:
1)本申请将锆酸锶铁作为降解废水的催化剂,具有良好的中间甲酚转化率和TOC去除率,且制备方法简单,无污染,易回收利用,是一种绿色环保的工艺,且具有制备催化剂时间周期短、人力物力消耗较少的优势。
2)本申请采用响应面法设计实验,相较于传统的单因素实验可以显著减少实验次数;相较于正交实验可以连续的对实验的各个水平进行分析。
3)本申请采用人工神经网络算法结合对未实验的废水中模型底物转化率和TOC的去除率预测结果,相较于传统的响应面法预测更加准确,具有准确性高的优点,大大减少了催化剂的开发周期。
附图说明
图1为本申请一种实施方式中锆酸锶催化剂的SEM图。
图2为本申请一种实施方案中人工网络的训练过程图。
图3为本申请一种实施方案中人工智能算法图。
图4为实施例5中各因素水平设置表。
图5为实验条件组合及废水处理效果数据表。
图6为SrFe0.13 Zr0.87 O3 B的XRD(a)、BET(b)和SEM(c)图。
图7为催化剂催化臭氧降解间甲酚的GC MS图。
具体实施方式
下面结合实施例详述本申请,但本申请并不局限于这些实施例。
如无特别说明,本申请的实施例中的原料均通过商业途径购买。
采用Quanta chrome公司生产的Autosorb Station 1进行样品的比表面积及孔隙结构表征.将样品预先在真空条件下于100℃和300℃分别处理1h和5.75h,以N2为吸附质于77.35K恒温吸附。通过多点BET方程计算比表面积,采用BJH法计算孔容。
采用荷兰帕纳科公司生产的Empyrean 100型粉末衍射仪进行晶体结构X射线衍射(XRD)表征,扫描速度为10°/min,扫描区间为20°~90°,仪器电压设定为40kV。
采用德国耶拿分析仪器股份公司的Supra 55型扫描电子显微镜进行形貌表征,工作电压为20kV。样品预处理步骤:将样品研磨后,取少量样品置于样品座导电胶上,抽真空喷金后测定。
采用大连依利特分析仪器有限公司HPLC-P1201型高效液相色谱分析仪对间甲酚的浓度进行测定。
高压恒流泵:P1201;紫外检测器:UV-1201溶剂管理器:RO1201;自动进样器:AS1201;色谱柱:C18反相色谱柱(SinoChrom ODS-BP 5μm,4.6mm×250mm);流动相:甲醇:水=80:20(V/V);流速:1.0mL/min;柱温:常温;紫外检测波长:间甲酚272nm。
采用岛津TOC-VCPH/CPN分析仪测定水样中的TOC。
申请的实施例中模型底物的转化率和TOC去除率计算如下:
间甲酚转化率的计算公式如下式I:
其中,C0为反应初始时溶液中的间甲酚浓度,Ct为反应时间t时溶液中的间甲酚浓度。
TOC的去除率计算公式如下II:
其中,TOC0为反应初始时溶液中的TOC浓度,TOCt为反应时间t时溶液中的TOC浓度。
实施例1
步骤一:在锥形瓶中加入5.77氧氯化锆、5.22g氯化锶、0.18g硝酸铁、100ml水,震荡混合均匀;
步骤二:在烧杯中加入3.06g草酸铵、0.005g聚乙二醇、6ml的25wt%氨水、89ml蒸馏水,超声搅拌一定时间至溶液澄清透明;
步骤三:将所述锥形瓶放在磁体搅拌机上,用滴管将所诉烧杯的溶液逐滴加入锥形瓶中,滴加时间为15min左右;
步骤四:使用保鲜膜将所诉锥形瓶封装后用针头刺穿6个小孔,磁体搅拌机搅拌1小时;
步骤五:将所述锥形瓶放入烘箱80℃老化处理34h;
步骤六:取出所述锥形瓶自然冷却后过滤,使用100ml蒸馏水3次洗涤滤渣;
步骤七:将过滤完的固体放入烘箱中在120℃干燥12h;
步骤八:将干燥后的所述固体放入坩埚中在马弗炉中在400℃预热1h后,在温度1100℃条件下煅烧处理10h,制得所述锆酸锶铁催化剂。
实施例2
步骤一:在锥形瓶中加入5.85氧氯化锆、5.30g氯化锶、0.3g硝酸铁、100ml水,震荡混合均匀;
步骤二:在烧杯中加入3.1g草酸铵、0.01g聚乙二醇、8ml的25wt%氨水、90ml蒸馏水,超声搅拌一定时间至溶液澄清透明;
步骤三:将所诉锥形瓶放在磁体搅拌机上,用滴管将所诉烧杯的溶液逐滴加入锥形瓶中,滴加时间为15min左右;
步骤四:使用保鲜膜将所诉锥形瓶封装后用针头刺穿6个小孔,磁体搅拌机搅拌1小时;
步骤五:将所述锥形瓶放入烘箱100℃老化处理24h;
步骤六:取出所述锥形瓶自然冷却后过滤,使用100ml蒸馏水3次洗涤滤渣;
步骤七:将过滤完的固体放入烘箱中在100℃干燥20h;
步骤八:将干燥后的所述固体放入坩埚中在马弗炉中在200℃预热3h后,在温度1300℃条件下煅烧处理5h,制得所述锆酸锶铁催化剂。
实施例3
步骤一:在锥形瓶中加入5.94氧氯化锆、5.38g氯化锶、1.58g硝酸铁、100ml水,震荡混合均匀;
步骤二:在烧杯中加入3.15g草酸铵、0.2g聚乙二醇、11ml的25wt%氨水、94ml蒸馏水,超声搅拌一定时间至溶液澄清透明;
步骤三:将所诉锥形瓶放在磁体搅拌机上,用滴管将所诉烧杯的溶液逐滴加入锥形瓶中,滴加时间为15min左右;
步骤四:使用保鲜膜将所诉锥形瓶封装后用针头刺穿6个小孔,磁体搅拌机搅拌1小时;
步骤五:将所述锥形瓶放入烘箱120℃老化处理14h;
步骤六:取出所述锥形瓶自然冷却后过滤,使用100ml蒸馏水3次洗涤滤渣;
步骤七:将过滤完的固体放入烘箱中在150℃干燥10h;
步骤八:将干燥后的所述固体放入坩埚中在马弗炉中在500℃预热1h后,在温度1500℃条件下煅烧处理1h,制得所述锆酸锶铁催化剂。
实施例4
对上述所得锆酸锶铁催化剂进行形貌表征,典型地,以实施例1所得样品为例,其扫描电镜图如图1所示,可以看出其具有立方体钙钛矿结构。
实施例5
为了得到适用于催化臭氧处理废水的最佳的锆酸锶铁催化剂,本实施例中使用人工智能辅助开发方法确定锆酸锶铁催化剂的最优反应条件。
1、将聚乙二醇加入量、氨水加入量、硝酸铁加入量、煅烧时间、老化时间,5个因素的参数范围,采用响应面法设计50组实验条件组合。5个因素的水平设置如图4所示。实验条件组合如图5所示。其中PEG加入量和铁掺杂量为相对于合成产物理论质量的百分比。
2、以设计的上述50组实验数据为参数,其余条件按照实施例1方法制备50个锆酸锶铁催化剂。
3、对50个锆酸锶铁催化剂分别采用臭氧氧化方法进行评价实验,测出模型底物的转化率和TOC去除率。检测方法为:在250mL反应器中加入200mL的100mg/L间甲酚溶液,取1g催化剂于反应器中,2min超声混合均匀,连接好管道,氧气通过管道进入臭氧发生器,调解阀门,使臭氧浓度为130mg/L,流量为37mL/min(实际值∶理论值=2.86∶1)。臭氧浓度达到130mg/L时计为反应零点,反应时间为20min,待反应完全结束后关闭臭氧发生器和氧气气路,从反应器中取出15mL溶液并用0.45μm水系滤膜过滤测TOC和间甲酚浓度。检测结果如图5所示。
4、将50组实验数据和对应催化剂的模型底物的转化率和TOC去除率输入Python编程训练神经网络系统,进行拟合。具体步骤为,剔除响应面实验中7组重复实验,选择43组数据作为原始数据进行神经网络拟合。其中,前面39组数据作为训练集,采用交叉验证方式调参,后面4组数据作为测试集;交叉验证k=10,数据标准化方式选择StandardScaler.对于TOC去除率,PEG加入量、煅烧时间、老化时间、氨水加入量、铁掺杂量5个因素作为输入层,第1层隐藏层数为8,第2层隐藏层层数为9,训练集上R2为0.91,在4组测试集上的MSE为23.89。对于间甲酚转化率,PEG加入量、煅烧时间、老化时间、氨水加入量、铁掺杂量5个因素作为输入层,第1层隐藏层数为7,第2层隐藏层层数为8,训练集上R2为0.97,在4组测试集上的MSE为17.67。
5、枚举法得到最佳反应条件:由于相对于间甲酚转化率提高,TOC去除率提高更难,故将TOC作为模型优化目标。PEG加入量从0.49%-19.00%划分10小份,煅烧时间从1.25-10.75h划分10小份,老化时间从14.49-33.51h划分10小份,氨水加入量从5.95-10.98mL划分10小份,铁掺杂量从0.63%-5.37%划分10小份,总共105个样本点,输入上述训练好的TOC去除率模型中,得到最佳配方为:PEG投加量19%,煅烧时间1.25h,老化时间27.17h,氨水加入量5.95mL,铁掺杂量3.26%(图5中SrFe0.13Zr0.87O3 A)。将变量区间分成20小份,总共获得3200000个样本点,输入上述训练好的TOC去除率模型中,得到最佳配方为:PEG投加量19.00%,煅烧时间1.25h,老化时间26.50h,氨水加入量6.21mL,铁掺杂量3.37%(图5中SrFe0.13Zr0.87O3 B)。SrFe0.13Zr0.87O3 B的间甲酚转化率和TOC去除率分别达到98.52%和17.21%,优于不加催化剂空白组的73.46%和1.86%。SrFe0.13Zr0.87O3 A与SrFe0.13Zr0.87O3 B的间甲酚去除效果差不多,但TOC去除率小于后者。
实施例6锆酸锶铁催化剂的表征
对最佳催化剂SrFe0.13Zr0.87O3 B进行XRD、BET和GC MS分析表征.通过共沉淀法在1100℃高温焙烧1.25h合成的催化剂SrFe0.13Zr0.87O3 B的XRD谱图如图6a图所示.1100℃高温焙烧所得SrFe0.13Zr0.87O3 B催化剂的XRD谱图与标准库01 074 1297参考样品锆酸锶基本一致(主要对应晶面依次是110、200、211、220、310),由于铁含量较低,仪器很难直接检测出铁峰.XRD结果证明在1100℃高温焙烧1.25h所得催化剂纯度较高.图6b为BET结果,SrFe0.13Zr0.87O3 B催化剂的比表面积为4.776m·2g-1,孔径为3.082nm,孔容为0.026cm·3g-1.图6c显示了SrFe0.13Zr0.87O3 B催化剂的表面形貌。SrFe0.13Zr0.87O3 B催化剂表面有不同程度的聚集,粒径尺寸为20~80nm,主要原因是共沉淀法吸收水分子的同时沉淀的氢氧化表面存在羟基,小分子干燥和煅烧时会使共沉淀的前驱体产生聚集。
最佳催化剂SrFe0.13Zr0.87O3 B其表面积为4.776m·2g-1,表面氧空位比例为3.82%,证实比表面积和表面氧空位对催化剂性能影响显著。SrFe0.13Zr0.87O3 B催化剂降解间甲酚20min,取反应中5、10、15、20min样品进行GC MS分析,发现间甲酚含量在逐级递减,主要中间产物为乙酸和丙酮醇。图7总离子色谱图中出峰时间15.36min处代表乙酸CH3COOH,乙酸含量呈先增加后减少再增加再减少的波动状态;14.01min处代表丙酮醇CH3COCH2OH,其含量一直增加;20min反应完的主要物质是丙酮醇和乙酸,还存在极少量的间甲酚。
对比例
对实施例5中的50组实验条件组合及检验结果数据进行响应面分析,建立如下数学模型:
TOC去除率=-286.32P-0.26C-1.38A-11.49N+860.20F+32.83PN+0.34AN-40.49AF+83.22
间甲酚转化率=-16.98P+0.40C-1.06A-0.67N-1339.47F+47.25AF+118.25
对于TOC去除率,采用神经网络系统在39组训练集上的R2为0.91,大于响应面分析的0.35,对于间甲酚转化率,采用神经网络系统模型的R2为0.97大于响应面分析的0.41,充分说明神经网络系统模型的预测更加准确。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (10)
1.一种废水处理方法,其特征在于,所述方法包括:
在降解催化剂存在条件下,采用臭氧对废水进行氧化;
所述降解催化剂为锆酸锶基化合物;
所述方法还包括:
运用人工智能算法,对所述锆酸锶基化合物制备过程中各参数进行确定;和/或
运用人工智能算法,对所述锆酸锶基化合物制备的各参数进行优化;和/或
运用人工智能算法,对所述锆酸锶基化合物的应用效果进行预测;
所述人工智能算法的运用,包括:
在不同的反应条件下制备得到多种锆酸锶基化合物,并检测各个锆酸锶基化合物催化臭氧对废水处理的效果,记录各个锆酸锶基化合物的制备反应条件数据和废水处理的效果数据,得到试验数据集;
再将试验数据集划分为训练集和验证集,使用训练集和验证集训练人工智能神经网络模型;
利用训练完成的神经网络模型预测对废水处理的效果最佳的锆酸锶基化合物的最佳制备反应条件;
所述反应条件包括:分散剂的加入量、碱性物质的加入量、铁源的加入量、老化时间和煅烧时间中的至少一种;
所述锆酸锶基化合物催化臭氧对废水处理的效果包括:模型底物的转化率和TOC去除率;
所述锆酸锶基化合物包括锆酸锶铁;
所述锆酸锶基化合物具有钙钛矿型结构;
所述的锆酸锶基化合物的制备方法包括以下步骤:
步骤1、获得含有锆源、锶源、铁源的混合物I,与含有分散剂、沉淀剂、碱性物质的混合物II,进行共沉淀反应,得到沉淀物;
步骤2、对所述沉淀物依次进行老化处理、煅烧处理,得到所述锆酸锶基化合物。
2.根据权利要求1所述的废水处理方法,其特征在于,所述锆酸锶铁的分子式为SrFexZr1-xO3;
其中x的取值范围为0.02~0.25。
3.根据权利要求2所述的废水处理方法,其特征在于,所述锆源为氧氯化锆;所述锶源为氯化锶;所述铁源为硝酸铁;所述沉淀剂为草酸铵;所述碱性物质为氨水;所述分散剂为聚乙二醇。
4.根据权利要求1所述的制备方法,其特征在于,所述步骤1包括:将所述混合物II滴加到混合物I中,进行共沉淀反应;所述滴加速度为50~150mL/30min。
5.根据权利要求1所述的废水处理方法,其特征在于,所述共沉淀反应的条件为:共沉淀反应时间0.5~1.5h。
6.根据权利要求1所述的废水处理方法,其特征在于,所述老化处理的处理温度80~120℃。
7.根据权利要求1所述的废水处理方法,其特征在于,所述煅烧处理的处理温度1000~1500℃。
8.根据权利要求1所述的废水处理方法,其特征在于,所述试验数据集的建立方法为:采用响应面法选取所述反应条件的水平,并设计不同反应条件水平的组合,得到多组反应条件组合,根据各个条件组合制备得到多种锆酸锶基化合物,检测各个锆酸锶基化合物催化臭氧对废水处理的效果,将各个反应条件组合与对应的废水处理的效果数据结合,得到试验数据集。
9.根据权利要求1所述的废水处理方法,其特征在于,所述试验数据集包括至少40组的反应条件组合。
10.根据权利要求1所述的废水处理方法,其特征在于,所述模型底物包括间甲酚。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674943 | 2020-07-14 | ||
CN2020106749438 | 2020-07-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113929165A CN113929165A (zh) | 2022-01-14 |
CN113929165B true CN113929165B (zh) | 2023-04-18 |
Family
ID=79274439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791303.XA Active CN113929165B (zh) | 2020-07-14 | 2021-07-13 | 一种锆酸锶基化合物及其制备方法和应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113929165B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115888746A (zh) * | 2022-09-07 | 2023-04-04 | 北京石油化工学院 | 一种可再生催化剂及其制备方法 |
CN116196933A (zh) * | 2023-01-09 | 2023-06-02 | 江西嘉陶无机材料有限公司 | 一种多孔钙钛矿型催化剂LaCo0.7Fe0.3O3及其制备方法和应用 |
CN117174198B (zh) * | 2023-11-02 | 2024-01-26 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4126580A (en) * | 1975-04-08 | 1978-11-21 | E. I. Du Pont De Nemours And Company | Stable perovskite catalysts |
US4861802A (en) * | 1988-02-17 | 1989-08-29 | E. I. Du Pont De Nemours And Company | Preparation of low molecular weight olefinic hydrocarbons using a perovskite catalyst |
JPH07204667A (ja) * | 1994-01-21 | 1995-08-08 | Nippon Shokubai Co Ltd | アンモニア態窒素含有排水の処理法 |
EP1118383A1 (en) * | 2000-01-20 | 2001-07-25 | Gaz De France (Service National) | Perovskite oxidation catalysts and the process for their preparation |
CN100335415C (zh) * | 2003-02-28 | 2007-09-05 | 新加坡纳米材料科技有限公司 | 一种制备各种晶态钙钛矿类化合物粉体的方法 |
CN110394170B (zh) * | 2019-05-15 | 2022-04-01 | 山西晋环科源环境资源科技有限公司 | 一种钙钛矿型锆酸钙催化剂的制备方法及其在催化臭氧氧化中的应用 |
CN112090421A (zh) * | 2020-09-01 | 2020-12-18 | 山西晋环科源环境资源科技有限公司 | 一种钙钛矿型锆酸钙复合材料的制备方法及应用 |
-
2021
- 2021-07-13 CN CN202110791303.XA patent/CN113929165B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113929165A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113929165B (zh) | 一种锆酸锶基化合物及其制备方法和应用 | |
Mahmoodi et al. | Activated carbon/metal-organic framework nanocomposite: Preparation and photocatalytic dye degradation mathematical modeling from wastewater by least squares support vector machine | |
Cwiertny et al. | Surface chemistry and dissolution of α-FeOOH nanorods and microrods: Environmental implications of size-dependent interactions with oxalate | |
CN1751783A (zh) | 去除水中砷的复合吸附材料及其制备方法 | |
CN105498783A (zh) | Fe3O4/CeO2纳米复合材料、制备方法及其应用 | |
CN110624566B (zh) | CuInS2量子点/NiAl-LDH复合光催化剂的制备方法及其应用 | |
Belete et al. | Facile activation of sludge-based hydrochar by Fenton oxidation for ammonium adsorption in aqueous media | |
CN109364924B (zh) | 一种磁性纳米臭氧催化剂CoFe2O4及其制备方法与应用 | |
CN111905817B (zh) | 一种还原CO2为甲酸的高效光催化材料PCN-222-Zn的制备方法及应用 | |
CN111790412A (zh) | 还原二氧化碳产制碳化合物的方法 | |
CN106315660A (zh) | 一种氧化铜纳米线的制备方法 | |
CN109317176A (zh) | 一种Fe(Ⅲ)修饰的氮化碳纳米片及其在光催化固氮中的应用 | |
Jun et al. | Microscopic observations of reductive manganite dissolution under oxic conditions | |
Zhu et al. | Adsorptive removal of phosphate by a Fe–Mn–La tri-metal composite sorbent: adsorption capacity, influence factors, and mechanism | |
Wang et al. | Artificial intelligence-aided preparation of perovskite SrFexZr1-xO3-δ catalysts for ozonation degradation of organic pollutant concentrated water after membrane treatment | |
CN110961125A (zh) | 一种TiO2/TiOF2光催化剂的制备方法及其在抗生素废水治理中的应用 | |
Zhao et al. | Construction of a novel double S-scheme heterojunction CeO2/g-C3N4/Bi2O4 for significantly boosted degradation of tetracycline: Insight into the dual charge transfer mode | |
CN106732535A (zh) | 一种光催化剂Bi2Mo3O12及其制备方法 | |
Rao et al. | Study on the regulation of BiOCl and its mechanism of photocatalytic degradation of toluene | |
CN102836719A (zh) | 一种钙钛矿型光催化剂的制备方法及其制品 | |
CN111359617B (zh) | 一种可再生催化剂以及制备方法、应用 | |
Liu et al. | Quantitative Contribution of Oxygen Vacancy Defects to Arsenate Immobilization on Hematite | |
CN102963926B (zh) | 一种用于制备混合晶型二氧化钛纳米粉末的方法及其产品 | |
CN109718827A (zh) | Cu0.2Ni0.8O/SBA-15、制备方法及与过硫酸盐联用降解磺胺溶液的方法 | |
CN105603714A (zh) | 一种二氧化钛基银-氧化镁-二氧化钛复合纳米纤维毡的制备方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |