用超声衰减谱测量层状双金属氢氧化物粒度分布的方法

doi:10.7503/cjcu20230463

摘要/Abstract

摘要：

层状双金属氢氧化物(LDHs)作为一种性能优良的非贵金属电催化剂, 在提高析氧反应速率、降低制氢成本等方面具备巨大优势, 其粒度大小直接影响催化活性位点的有效暴露面积和本征结构, 很大程度上决定了LDHs电催化析氧反应的活性时间和催化效率. 因此, 实现对LDHs粒度分布的在线检测对LDHs的合成控制与活性提升具有重要意义. 根据LDHs粒度小、形貌特殊的特点, 本文建立了一种基于超声衰减谱在线测量其在悬浮体系中粒度分布(PSD)的方法, 该方法在LDHs粒度表征领域的应用尚属首次. 利用超声衰减谱法对LDHs悬浮体系粒度分布进行测量的最大难点是传统ECAH模型需要首先已知难以获得的体系分散相和连续相的物性参数. 本文采用主成分分析(PCA)结合误差反向传播(BP)神经网络建立了预测模型, 并引入遗传算法(GA)对模型进行优化, 解决了超声衰减谱法的难点, 通过CoFeAl-LDH悬浮体系进行了验证. 结果表明, PCA-GA-BP神经网络能有效对LDHs在悬浮体系中的粒度分布进行在线预测, 预测值与真实值的峰形重合度高, 峰高偏差小, 两者的均方误差MSE为0.1497, 模型拟合优度R²=0.9768, 说明该方法可作为在线测量LDHs粒度分布的有效方式.

关键词: 层状双金属氢氧化物, 超声衰减谱, 粒度分布在线检测, BP神经网络, 遗传算法

Abstract:

Layered double hydroxides（LDHs）， as a high-performance non-precious metal electrocatalyst， possess remarkable advantages in enhancing the oxygen evolution rate and reducing hydrogen production costs. The particle size of LDHs directly impacts the effective exposed surface area and intrinsic structure of catalytically active sites， thereby significantly influencing the activity duration and catalytic efficiency of LDHs in the electrocatalytic oxygen evolution reaction. Consequently， achieving online detection of LDHs particle size distribution holds significant importance for controlling LDHs synthesis and enhancing their catalytic activity. Based on the unique characteristics of LDHs， such as small particle size and distinctive morphology， this study introduces a novel approach for online measurement of particle size distribution（PSD） in LDHs suspensions via ultrasonic attenuation spectroscopy， marking the first-time application of this method in the field of LDHs particle characterization. The principal challenge in measuring the PSD of LDHs suspensions using ultrasonic attenuation spectroscopy lies in the requirement of system-specific properties for both the dispersed and continuous phases， which are often elusive to acquire. To address this challenge， this research utilizes principal component analysis（PCA） in conjunction with error backpropagation（BP） neural networks to establish a predictive model. Additionally， by incorporating genetic algorithm（GA） for model optimization， the challenges associated with ultrasonic attenuation spectroscopy are successfully addressed. The model is validated using a CoFeAl-LDHs suspension system. The results demonstrate the effectiveness of the PCA-GA-BP neural network in the online prediction of LDHs particle size distribution within the suspension system. The predicted values exhibit a high degree of resemblance to the true values in terms of peak shape， displaying minimal deviation in peak height. The mean squared error（MSE） between the predicted and true values is calculated as 0.1497， and the model fitting coefficient R² stands at 0.9768， thus indicating the efficacy of this method as an accurate approach for online measurement of LDHs particle size distribution.

Key words: Layered double hydroxides（LDHs）, Ultrasonic attenuation spectrum, Online detection of particle size distribution, bp Neural network, Genetic algorithm

中图分类号:

O657

TrendMD:

张明峰, 吴博, 侯光昊, 周蕾, 王学重. 用超声衰减谱测量层状双金属氢氧化物粒度分布的方法. 高等学校化学学报, 2024, 45(3): 20230463.

ZHANG Mingfeng, WU Bo, HOU Guanghao, ZHOU Lei, WANG Xuezhong. The Method of Measuring Particle Size Distribution of Layered Double Hydroxides（LDHs） Using Ultrasonic Attenuation Spectroscopy. Chem. J. Chinese Universities, 2024, 45(3): 20230463.

图/表 11

Fig.1 XRD pattern of CoFeAl⁃LDH

Fig.2 Device diagram of the ultrasonic attenuation measurement system

Fig.3 SEM images of CoFeAl⁃LDH with different grinding time（A） 0 min；（B） 3 min；（C） 5 min；（D） 7 min；（E） 9 min；（F） 11 min.

Fig.4 Eigenvalues and cumulative contribution rates of principal components for PSD data

Fig.5 Schematic diagram of ultrasonic attenuation measurement

Fig.6 Ultrasonic attenuation(A) and PSD(B) of CoFeAl⁃LDH suspension system with different grinding time

Table 1 Mean square error（MSE) of different network structure models

Network structure	MSE of training model	MSE of testing model
17⁃5⁃4	0.1334	0.1244
17⁃6⁃4	0.1377	0.1225
17⁃7⁃4	0.1371	0.1159
17⁃8⁃4	0.1406	0.1136
17⁃9⁃4	0.1365	0.1191
17⁃10⁃4	0.1295	0.1342
17⁃11⁃4	0.1416	0.1479
17⁃12⁃4	0.1397	0.1268
17⁃13⁃4	0.1610	0.1252
17⁃14⁃4	0.1332	0.1335

Fig.7 Structure diagram of PCA⁃GA⁃BP neural network model

Fig.8 Best fitness varies with iterations

Fig.9 True and predicted values of the PSD and the cumulative PSD of CoFeAl⁃LDH verification system（A， E） 1 min；（B， F） 4 min；（C， G） 7 min；（D， H） 10 min.

Fig.10 Error(A—D) and relative error(E—H) of the cumulative PSD of CoFeAl⁃LDH verification system（A， E） 1 min；（B， F） 4 min；（C， G） 7 min；（D， H） 10 min.

参考文献 33

1	Peng W. L.， Li Y. Y.， Yuan B.， Hu R. Z.， Luo Z. T.， Zhu M.， Appl. Catal. B： Environ， 2023， 323， 122171
	彭伟良，李玉银，袁斌，胡仁宗，罗正堂，朱敏. 应用催化B：环境， 2023， 323， 122171
2	Liu D. X.， Yang Y.， Zhang J. A.， Wang L. M.， Ma Z. W.， R L.， Wang J. Q.， Xue B.， Li F. F.， J. Alloy. Compd.， 2023， 941， 168994
	刘道新，杨洋，张建安，王鲁萌，马子文，任力，王佳琪，薛冰，李芳菲. 合金与化合物学报， 2023， 941， 168994
3	Fang X.， Chen C.， He J.， Li Y. N.， Liu J. W.， Wang Y. S.， Song Y. L.， Du T.， Liu L. Y.， J. Ind. Eng. Chem.， 2021， 95， 16—27
	方鑫，陈创，何佳，李英男，刘建伟，王一松，宋艳丽，杜涛，刘丽英. 工业与工程化学， 2021， 95， 16—27
4	Li M. M. J.， Chen C.， Ayvalı T.， Suo H.， Zheng J.， Teixeira I. F.， Tsang S. C. E.， ACS Catal.， 2018， 8（5）， 4390—4401
5	Liu F.， Bagi S. D.， Su Q.， Chakrabarti R.， Barral R. C.， Gamekkanda J. C.， Mascia S.， Org. Process Res. Dev.， 2022， 26（12）， 3190—3203
6	Silva A. F.， Burggraeve A.， Denon Q.， van der Meeren P.， Sandler N.， van den Kerkhof T.， Hellings M.， Vervaet C.， Remon J. P.， Lopes J. A.， de Beer T.， Eur. J. Pharm. Biopharm.， 2013， 85（3）， 1006—1018
7	Cotter R. J.， Anal. Chem.， 1992， 64（21）， 1027A—1039A
8	Li M.， Wilkinson D.， Patchigolla K.， Particul. Sci. Technol.， 2005， 23（3）， 265—284
9	Markande A.， Fitzpatrick J.， Nezzal A.， Aerts L.， Redl A.， J. Food. Eng.， 2013， 114（1）， 8—13
10	Aghbashlo M.， Sotudeh⁃Gharebagh R.， Zarghami R.， Mujumdar A. S.， Mostoufi N.， Dry. Technol.， 2014， 32（9）， 1005—1051
11	Fu X.， Belwal T.， Cravotto G.， Luo Z.， Ultrason. Sonochem.， 2020， 60， 104726
12	Jiang Y.， Jia N.， Su M. X.， Journal of University of Shanghai for Science and Technology， 2020， 42（4）， 332—338
	蒋瑜，贾楠，苏明旭. 上海理工大学学报， 2020， 42（4）， 332—338
13	Li M.， Wilkinson D.， Patchigolla K.， Mougin P.， Roberts K. J.， Tweedie R. J.， Cryst. Growth Des.， 2004， 4（5）， 955—963
14	Falola A.， Huang M. X.， Zou X. W.， Wang X. Z.， Powder Technol.， 2021， 392， 394—401
15	Petrut T.， Geay T.， Gervaise C.， Belleudy P.， Zanker S.， Hydrol. Earth Syst. Sc， 2018， 22（1）， 767—787
16	Silva C. A. M.， Saraiva S. V.， Bonetti D.， Chemical Engineering Science， 2022， 252， 117274
17	Mason T. G.， Wilking J. N.， Meleson K.， Chang C. B.， Graves S. M.， J. Phys： Condens. Mat.， 2006， 18（41）， R635
18	Qiao Z.， Research on On⁃line Measurement of Velocity and Pulverized Coal Concentration of Primary Air Using Ultrasonic Method， Nanjing University of Science ＆ Technology， Nanjing， 2013
	乔榛. 超声法一次风流速和煤粉浓度在线测量研究，南京：南京理工大学， 2013
19	Falola A. A.， Online Measurement and Population Balance Modelling of Stirred Nanomilling， University of Leeds， Leeds， 2015
20	Shukla A.， Prakash A.， Rohani S.， Chem. Eng. Sci.， 2010， 65（10）， 3072—3079
21	Wang X. K.， Study on Wet Grinding Process of Hydrotalcite Based on Online Ultrasonic Technology， South China University of Technology， Guangzhou， 2021
	王小康. 基于在线超声技术的铝碳酸镁湿法研磨过程研究，广州：华南理工大学， 2021
22	Pertig D.， Buchfink R.， Petersen S.， Chemical Engineering & Technology， 2011， 34（4）， 639—646
23	Nagendra B.， Mohan K. J.， Gowd E. B.， ACS Appl. Mater. Interfaces， 2015， 7（23）， 12399—12410
24	Joy J.， Krishnamoorthy A. N.， Tanna A. R.， Kamathe V.， Nagar R.， Srinivasan S. S.， Applied Sciences， 2022， 12（18）， 9312
25	Karamizadeh S.， Abdullah S.M.， Manaf A. A.， Journal of Signal and Information Processing， 2013， 4（3B）， 173
26	Hou G. H.， Falola A. A.， Wang X. K.， Liang L. P.， Zou X. W.， Wu T.， Wang X. Z.， J. Acoust. Soc. AM， 2023， 154（4）， 2112—2123
27	Yan E.， Song J.， Liu C.， Artificial Intelligence Review， 2020， 53， 2453—2481
28	Chiou J. M.， Chen Y. T.， Yang Y. F.， Statistica Sinica， 2014， 1571—1596
29	Xu B. Y.， Zhang H. J.， Wang Z. T.， Wang H. X.， Zhang Y. L.， Mathematical Problems in Engineering， 2015， 362150
30	Li Y.， Liu W. L.， Wei P. H.， Advanced Textile Technology， 2018， 26（01）， 49—54
	李勇，刘文亮，魏鹏辉. 现代纺织技术， 2018， 26（1）， 49—54
31	Wang X.， Su M. X.， Cai X. S.， Journal of University of Shanghai for Science & Technology， 2016， 38（2）， 148—153
	汪雪，苏明旭，蔡小舒. 上海理工大学学报， 2016， 38（2）， 148—153
32	Brown E. C.， Sumichrast R. T.， Engineering Applications of Artificial Intelligence， 2005， 18（1）， 1—12
33	Boubenia R.， Rosenkrantz E.， Despetis F.， IEEE Transactions on Ultrasonics， Ferroelectrics， and Frequency Control， 2020， 67（10）， 2164—2175

[1]	卞宣昂, 周超, 赵运宣, 张铁锐. 基于水滑石衍生钌催化剂光驱动合成氨的研究[J]. 高等学校化学学报, 2023, 44(6): 20230095.
[2]	黄明心, 周蕾, 王学重. 超声衰减谱测量电池浆料的粒度分布[J]. 高等学校化学学报, 2022, 43(6): 20220040.
[3]	靳科研, 白璞, 李小龙, 张佳楠, 闫文付. 新型Mg-Al吸附剂去除压水堆核电厂废水中高浓度硼[J]. 高等学校化学学报, 2022, 43(2): 20210516.
[4]	梁足培, 苏飞飞, 国荣, 唐昱垚, 金烁, 于梓洹, 李建, 马淑兰. 荧光素-层状双金属氢氧化物复合体的发光性能及对Fe³⁺的荧光识别[J]. 高等学校化学学报, 2019, 40(7): 1352.
[5]	庞秀江, 刘源, 陈利, 全贞兰. 羟基喜树碱-类水滑石纳米杂化的共组装制备及表征[J]. 高等学校化学学报, 2016, 37(3): 567.
[6]	庞秀江, 刘源, 陈利, 全贞兰. (羟基喜树碱@胆酸钠)-层状双金属氢氧化物纳米杂化物的组装及表征[J]. 高等学校化学学报, 2015, 36(10): 1933.
[7]	张汇, 何玉韩, 唐铎, 李彦威. 基于径向基神经网络和遗传算法的槽内式选择性超声电合成甲基苯甲醛[J]. 高等学校化学学报, 2014, 35(6): 1199.
[8]	孙美玉, 庞秀江, 马秀明, 侯万国. T形微反应器共沉淀法制备Mg-Al层状双金属氢氧化物及其粒径可控性[J]. 高等学校化学学报, 2013, 34(7): 1691.
[9]	马秀明, 庞秀江, 全贞兰, 侯万国. 10-羟基喜树碱-癸二酸-LDH杂化物的制备及性能[J]. 高等学校化学学报, 2013, 34(4): 913.
[10]	夏志勇, 杜娜, 刘建强, 侯万国. 聚乙二醇和叶酸对层状双金属氢氧化物颗粒的表面修饰[J]. 高等学校化学学报, 2013, 34(3): 596.
[11]	傅华康, 叶维娟, 刘梦颖, 胡极, 杜淼, 郑强. 层状双金属氢氧化物/碳纳米管复合物的制备及在有机溶剂中的分散[J]. 高等学校化学学报, 2013, 34(3): 538.
[12]	徐洁, 赵满, 侯万国. MgFe₂O₄@(TF-LDHs)磁性纳米复合体的制备与表征[J]. 高等学校化学学报, 2012, 33(12): 2750.
[13]	赵满, 徐洁, 侯万国. Fe₃ O₄@(TF-LDHs)纳米复合体的制备及药物缓释性能[J]. 高等学校化学学报, 2012, 33(07): 1572.
[14]	孟凡欣, 郭伟良, 逯家辉, 杜林娜, 李又欣, 滕利荣. 纤维堆囊菌发酵液中埃博霉素含量的HPLC法分析[J]. 高等学校化学学报, 2009, 30(10): 1960.
[15]	苏振强,,HONG Hui-Xiao,TONG Wei-Da,PERKINS Roger,邵学广,蔡文生,. 不相交主成分分析(PCA)和遗传算法(GA)用于差异表达基因的识别 [J]. 高等学校化学学报, 2007, 28(9): 1640.