可膨胀石墨的常见制备方法

常见制备方法

1、化学插层法 制备用的初始原料系高碳鳞片状石墨

,其余化学试剂如浓硫酸(98 %以上) ,过氧化氢(28 %以上) ,高锰酸钾等均使用工业级试剂。

制备的一般步骤为:在适当温度下

,将不同配比的过氧化氢溶液、天然鳞片石墨和浓硫酸以不同的加入程序 ,在不断搅拌下反应一定时间 ,然后水洗至中性，离心分离，脱水后于 60

℃真空干燥。

2、电化学法 在一种强酸电解液中处理石墨粉末以制成可膨胀石墨，水解、清洗和干燥。作为强酸主要使用硫酸或硝酸。此种方法制得的可膨胀石墨有着低硫含量。

3、超声氧化法 制备可膨胀石墨的过程中,对阳极氧化的电解液进行超声波振动 ，超声波振动的时间与阳极氧化的时间相同。

由于超声波对电解液的振动有利于阴、 阳极的极化作用 ,从而加快了阳极氧化的速度 ,缩短了氧化时间。

4、气相扩散法 将石墨和插层物分别致于一真空密封管的两端 ,在插层物端加热 ,利用两端的温差形成必要反应压差 ,使得插层物以小分子的状态进入鳞片石墨层间 ,从而制得可膨胀石墨。此种方法生产的可膨胀石墨的阶层数可控制 ,但其生产成本高。

5、熔盐法 将几种插入物与石墨混合加热复合,形成可膨胀石墨。

扩展资料：

石墨晶体具有由碳元素组成的六角网平面层状结构。层平面上的碳原子以强有力的共价键结合，而层与层间以范德华力结合，结合非常弱，而且层间距离较大。

因此，在适当的条件下，酸、碱金属、盐类等多种化学物质可插入石墨层间，并与碳原子结合形成新的化学相——石墨层间化合物(Graphite

Intercalation on Compounds,简称

GIC)。

这种层间化合物在加热到适当温度时，可瞬间迅速分解，产生大量气体，使石墨沿轴方向膨胀成蠕虫状的新物质，即膨胀石墨。这种未膨胀的石墨层间化合物就是可膨胀石墨。

参考资料：百度百科----可膨胀石墨

普通硅酸盐水泥中氧化钙的含量在47%左右,废旧混凝土可能由不同类型（等级）的混凝土所组成。要想改善废旧混凝土的质量，就需要对不同类型的混凝土加以分选。CS Poon和水中和等[3]对香港地区几种废旧混凝土的性能作了检测，部分结果列于表1。三种骨料的表观密度和吸水率等指标差别较大，天然骨料密实度最高，由较高强混凝土制得的骨料HPC密实度其次，而普通混凝土NC骨料的密实度最低。采用压汞法分析了三种骨料的孔分布，结果与上述性质相一致，三种骨料的孔隙率分别为：天然骨料1.6％，普通混凝土NC再生骨料16.8％，高强混凝土HPC再生骨料7.86%。从两种再生骨料的孔分布情况看，NC骨料的孔隙主要集中在0.01至1微米范围；而HPC骨料的大部分孔隙处于0.1微米以下。

古罗马人在建筑工程中使用的石灰与火山灰的混合物，这种混合物与现代的石灰火山灰水泥很相似。用它胶结碎石制成的混凝土，硬化后不但强度较高，而且还能抵抗淡水或含盐水的侵蚀。在相当长的一段历史时期内，它作为一种重要的胶凝材料，广泛应用于建筑工程。1756年，英国工程师J.斯米顿在研究某些石灰在水中硬化的特性时发现：要获得水硬性石灰，必须采用含有粘土的石灰石来烧制；用于水下建筑的砌筑砂浆，最理想的成分是由水硬性石灰和火山灰配成。这个重要的发现为近代水泥的研制和发展奠定了理论基础。1796年，英国人J.帕克用泥灰岩烧制出了一种水泥，外观呈棕色，很像古罗马时代的石灰和火山灰混合物，因此，将它命名为罗马水泥。因为它是采用天然泥灰岩作原料，不经配料直接烧制而成的，故又名天然水泥。罗马水泥具有良好的水硬性和快凝特性，除用于一般的建筑工程外，特别适用于与水接触的工程。罗马水泥广泛应用于土木工程中的兴盛时期，一直延续到1850年，以后才逐渐被波特兰水泥所替代。1824年，英国建筑工人J.阿斯普丁在前人工作的基础上，通过不断试验和实践，首先取得了波特兰水泥的专利权。他用石灰石和粘土为原料，按一定比例配合后，在类似于烧石灰的立窑内煅烧成熟料，再经磨细制成水泥。因水泥硬化后的颜色与英格兰岛上波特兰地方用于建筑的石头相似，阿斯普丁将它命名为波特兰水泥。由于波特兰水泥具有优良的建筑性能，因此，它逐渐取代了其他种类的胶凝材料，如水硬性石灰、罗马水泥等，应用日益广泛。波特兰水泥的发明，在水泥史上具有划时代意义。从此，水泥的发展进入了一个新的历史时期。

    结构方程模型(SEM)包括连续潜变量之间的回归模型(Bollen, 1989Browne &Arminger, 1995Joreskog &Sorbom, 1979)。也就是说，这些潜变量是连续的。这里需要注意的是：1. 潜变量(latent variables)是与观察变量(Observed variables)相对的，可通过数据分析观察；2. 观察变量可以是连续的(continuous)、删失的(censored)、二进制的(binary)、有序的(ordinal)、无序的(nominal)、计数的(counts)，或者是这些类别的组合形式。

    SEM有两个部分：一个测量模型(measurement model)和一个结构模型(structural model)。

     测量模型 相当于一个多元回归模型(multivariate regression model)，用于描述一组可观察的因变量和一组连续潜变量之间的关系。在此，这一组可观察的因变量被称为因子指标(factor indicators)，这一组连续潜变量被称为因子(factors)。

    如何描述它们之间的关系？可以通过以下方式：

1. 若因子指标是连续的，用线性回归方程(linear regression equations)；

2. 若因子指标是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若因子指标是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若因子指标是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若因子指标是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

     结构模型 则在一个多元回归方程中描述了三种变量关系：

1. 因子之间的关系；

2. 观察变量之间的关系；

3. 因子和不作为因子指标的观察变量之间的关系。

    同样，这些变量有不同的种类，所以要根据它们的类别来选择合适的方程进行分析：

1. 若因子为因变量，及可观察的因变量是连续的，用线性回归方程(linear regression equations)；

2. 若可观察的因变量是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若可观察的因变量是二进制的或者是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若可观察的因变量是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若可观察的因变量是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

    在回归中，有序的类别变量可通过建立比例优势(proportional odds)模型进行说明；最大似然估计和加权最小二乘估计(maximum likelihood and weighted least squares estimators)都是可用的。

    以下特殊功能也可以通过SEM实现：

1. 单个或多组分析(Single or multiple group analysis)；

2. 缺失值(Missing data)；

3. 复杂的调查数据(Complex survey data)；

4. 使用最大似然估计分析潜变量的交互和非线性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood)；

5. 随机斜率(Random slopes)；

6. 限制线性和非线性参数(Linear and non-linear parameter constraints)；

7. 包括特定路径的间接作用(Indirect effects including specific paths)；

8. 对所有输出结果的类型进行最大似然估计(Maximum likelihood estimation for all outcome types)；

9. bootstrap标准误差和置信区间(Bootstrap standard errors and confidence intervals)；

10. 相等参数的Wald卡方检验(Wald chi-square test of parameter equalities)。

    以上功能也适用于CFA和MIMIC。

---