BET数据处理中8大案例分析,教你看懂吸脱附曲线【内含干货】

2023-11-08 18:40

本文主要是介绍BET数据处理中8大案例分析,教你看懂吸脱附曲线【内含干货】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Q:为什么得到的BET值为负?

A:正常情况下样品对吸附质有吸附的话比表面积值应该为正,出现负值的可能有三种原因:

1. 样品自身的原因,可以看等温吸脱附曲线,如果没有吸附的话吸附值应该在0附近,再加上仪器误差的现象,也可能跑到负值出现吸附点,所以该类样品的吸附几乎可以忽略。

2. 测试所加样品量过少,造成总的吸附值很低,则容易产生这个现象。

3. 脱气温度和时间不合理,脱气温度过高,造成孔结构的变化或坍塌,脱附温度太低或者脱气时间短,造成脱气不完全,也会产生这个问题。

Q:为什么等温吸脱附曲线是不闭合的?

A:等温吸脱附曲线不闭合,这种情况比较常见,产生这种现象的原因也比较多,可能原因如下:

1. 材料表面存在特殊的基团和化学性能,导致吸附的气体分子无法完全脱离,即材料对吸附质有较强作用,导致吸脱附会存在一定的不闭合程度。

2. 材料自身的比表面较小,一般吸脱附闭合程度会较差。

3. 称样量问题,称样量太少,容易造成测量不准,也会出现此类情况。

4. 样品前处理问题,温度太高,测试的孔结构坍塌,气体脱附不出来会造成曲线不闭合。

5. 如果研究碳材料的话需要注意,碳材料的孔大多为柔性孔或者墨水瓶孔,气体吸附之后孔口直径收缩,导致吸附上的气体不易脱附,很容易导致吸脱附曲线不闭合。

Q:为什么等温吸脱附曲线是交叉的?

A:吸附曲线和脱附曲线发生交叉的主要原因是:

1. 样品吸附值本身就比较小,容易出现波动。

2. 脱气条件不合适,脱气温度低或者时间短,水分没有完全除去,在脱附过程中脱去了。

3. 样品量太少,容易造成测量不准,也会出现此类情况。

4. 样品脱气前处理条件不合适,造成脱气不完全,在脱附的过程中有东西脱附出来,造成等温吸附曲线和等温脱附曲线产生交叉的现象。

Q:BJH脱附孔径分布存在“假峰”

A:在气体脱附过程中大多数情况下都反映了一个滞后的过程。

所以在用BJH方法分析样品孔径时,脱附段很容易出现假峰,一般是在3.8nm处出现,出现假峰的原因与孔的类型有关系,内部孔道的连通性,孔型的多样性以及孔径的分散性等等原因都会导致在脱附过程中出现假峰。

Q:谱图中出现了S型微孔等温曲线

A:S型回线通常发生在低压区微孔材料测试过程中出现。出现S型回线主要有两点原因,一种是低压区吸附不完全,在没有达到吸附平衡时候就进入到了第二个吸附点,所以会产生S型回线。

如果想要改变这种情况,应该适当增加低压区的吸附时间,保证每一个压力点都可以达到吸附平衡。

第二个原因是氦污染,在用氦气测量死体积时,是基于氦气不吸附的假设,但事实上物理吸附是非特异性吸附,对任何气体都存在吸附,微孔材料会吸附较多的氦气,其影响无法忽略不计。因此在继续分析之前,应当至少将样品放在室温下使氦气溢出后再进行测量。

Q:是否可以增加或者减少一些压力点?

A:每台仪器上介孔或者全孔测试都有固定的测试文件,压力点都是设置好的,直接测试就可以。

如果有特殊需求,也可以增加或减少一些压力点的话,测试时间也会相应改变,如果低压区加密点,测试时间会变得更久,可能较正常时间要多一倍的测试时间,所以时间的成本和测试的成本会相应增加。

Q:样品的比表面积,是否和样品测试量有关?样品用量过少会造成哪些影响?

A:样品的比表面积只与样品本身有关,理论上测试量多少并不会改变比表面积的大小;但是如果样品量过少,吸附量低,会产生误差,得不到准确的比表面积值。

Q:从数据上哪个指标可以看出数据的好坏?

A:所有的信息,比表面积,孔容,平均孔径,孔径分布都是基于吸脱附曲线来计算得来的,因此判断结果好坏最直接的就是看吸脱附曲线。

吸附量是否随着分压增加而增加,吸脱附曲线是否闭合;但是吸脱附曲线也要结合样品性质来判断,比如样品加入量,脱气温度,样品孔结构等。

更多科研干货教程,可以点击下面链接获取哦~

BET测试

这篇关于BET数据处理中8大案例分析,教你看懂吸脱附曲线【内含干货】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/371774

相关文章

python panda库从基础到高级操作分析

《pythonpanda库从基础到高级操作分析》本文介绍了Pandas库的核心功能,包括处理结构化数据的Series和DataFrame数据结构,数据读取、清洗、分组聚合、合并、时间序列分析及大数据... 目录1. Pandas 概述2. 基本操作:数据读取与查看3. 索引操作:精准定位数据4. Group

MySQL中EXISTS与IN用法使用与对比分析

《MySQL中EXISTS与IN用法使用与对比分析》在MySQL中,EXISTS和IN都用于子查询中根据另一个查询的结果来过滤主查询的记录,本文将基于工作原理、效率和应用场景进行全面对比... 目录一、基本用法详解1. IN 运算符2. EXISTS 运算符二、EXISTS 与 IN 的选择策略三、性能对比

MySQL 内存使用率常用分析语句

《MySQL内存使用率常用分析语句》用户整理了MySQL内存占用过高的分析方法,涵盖操作系统层确认及数据库层bufferpool、内存模块差值、线程状态、performance_schema性能数据... 目录一、 OS层二、 DB层1. 全局情况2. 内存占js用详情最近连续遇到mysql内存占用过高导致

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499

RabbitMQ消费端单线程与多线程案例讲解

《RabbitMQ消费端单线程与多线程案例讲解》文章解析RabbitMQ消费端单线程与多线程处理机制,说明concurrency控制消费者数量,max-concurrency控制最大线程数,prefe... 目录 一、基础概念详细解释:举个例子:✅ 单消费者 + 单线程消费❌ 单消费者 + 多线程消费❌ 多

Olingo分析和实践之EDM 辅助序列化器详解(最佳实践)

《Olingo分析和实践之EDM辅助序列化器详解(最佳实践)》EDM辅助序列化器是ApacheOlingoOData框架中无需完整EDM模型的智能序列化工具,通过运行时类型推断实现灵活数据转换,适用... 目录概念与定义什么是 EDM 辅助序列化器?核心概念设计目标核心特点1. EDM 信息可选2. 智能类

Olingo分析和实践之OData框架核心组件初始化(关键步骤)

《Olingo分析和实践之OData框架核心组件初始化(关键步骤)》ODataSpringBootService通过初始化OData实例和服务元数据,构建框架核心能力与数据模型结构,实现序列化、URI... 目录概述第一步:OData实例创建1.1 OData.newInstance() 详细分析1.1.1

Olingo分析和实践之ODataImpl详细分析(重要方法详解)

《Olingo分析和实践之ODataImpl详细分析(重要方法详解)》ODataImpl.java是ApacheOlingoOData框架的核心工厂类,负责创建序列化器、反序列化器和处理器等组件,... 目录概述主要职责类结构与继承关系核心功能分析1. 序列化器管理2. 反序列化器管理3. 处理器管理重要方

SpringBoot中六种批量更新Mysql的方式效率对比分析

《SpringBoot中六种批量更新Mysql的方式效率对比分析》文章比较了MySQL大数据量批量更新的多种方法,指出REPLACEINTO和ONDUPLICATEKEY效率最高但存在数据风险,MyB... 目录效率比较测试结构数据库初始化测试数据批量修改方案第一种 for第二种 case when第三种

解决1093 - You can‘t specify target table报错问题及原因分析

《解决1093-Youcan‘tspecifytargettable报错问题及原因分析》MySQL1093错误因UPDATE/DELETE语句的FROM子句直接引用目标表或嵌套子查询导致,... 目录报js错原因分析具体原因解决办法方法一:使用临时表方法二:使用JOIN方法三:使用EXISTS示例总结报错原