UNmax是谁啥材料?

来源：蜘蛛抓取(WebSpider) 时间：2019-03-05 02:03 标签： max是谁

本发明属于材料技术领域特别涉及一种陶瓷材料MAX相的合成及剥离方法。

三元层状陶瓷材料max是谁密排六方结构通常用Mn+1AXn表示(n＝1,2,3)，其中M代表过渡金属元素，A代表主族元素X是碳或氮。M原子间以金属键相连、M与X间以强共价键结合此两种结合方式均较稳定；M与A之间的化学键较弱A原子较易挣脱MX片层而得到二维層状的MX材料。目前用于剥离MAX相材料的主要是高浓度的氢氟酸氢氟酸具有极强的腐蚀性、有剧毒。合成一种易于剥离或者取代氢氟酸作为腐蚀液的MAX相具有重要的意义

目前MAX相的主要合成原料是M、A、X三种元素的单质、M元素的氢化物、化合物MX等。利用热压烧结、放电等离子烧结、氩气气氛无压烧结等工艺合成MAX相利用以上工艺原料合成出的MAX相纯度很高，但是对它们的剥离条件要求比较苛刻在二维材料的应用领域受到一定的限制。周爱国(Zhengyang Li,Libo Wang,Dandan Sun,Yude Zhang,Baozhong

二维MXene材料的推广使用首先要解决其剥离试剂与剥离方法的无毒(低毒)、无害(低伤害)、操作难的问题

本发明的目嘚旨在提供一种工艺简单、无毒无害、容易剥离的易剥离陶瓷材料MAX相的合成及剥离方法。

本发明的合成及剥离方法如下：

分别从上述M、A、XΦ各选取一种按质量比M:A:X＝2-4:0.5-1.1:1-3，其中A的合金以A元素计量按10-20:1的球料比加入直径6mm的不锈钢磨球，以300-400r/min的转速在氩气气氛下球磨12-36h使之混合均匀，嘚易剥离MAX相的粉状合成原料；

(2)将步骤(1)所得粉末在50MPa的压力下于不锈钢磨具中预压成直径10mm高14mm的圆柱体然后以高压烧结的方式在2-6GPa，800-1600℃条件下烧結2-4h冷却至室温后卸掉压力取出样品，将其打磨干净得到易剥离的MAX相；

(3)把步骤(2)所得MAX材料粉碎浸入腐蚀液中，40℃搅拌12h得二维MXene陶瓷材料

所述腐蚀液为强碱：KOH、NaOH，强酸：盐酸、硝酸弱酸：低浓度氢氟酸。

MAX相是三元层状陶瓷材料其中A元素独立成层，以较弱的共价键与M原子相連显然，按上述配比配料A元素不足不足以完全生成MAX相，缺少A元素的位置会随机产生由于高压反应限制了L元素的逸出，迫使它占据A元素的位置(无化学键的形成)或者使键能较弱的化学键因为L元素与其他元素间并无化学键的生成且L元素是非常活泼的金属元素，当这种含有均匀分散的Li、Na、K、Mg或Ca元素的MAX相被剥离时首先是MAX相表面(层)的Li、Na、K、Mg或Ca元素与腐蚀液反应生成微小孔洞，此反应过程中会短时间内放出较多嘚热量且生成强碱这一脉冲热量会机械性的扩张L原子所占据的微小孔洞，辅助腐蚀液接触MAX相中的A原子及其它Li、Na、K、Mg或Ca原子有助于进一步腐蚀。同时这一热量也会提高腐蚀液与MAX的反应活性在无HF的腐蚀液或低浓度的HF腐蚀液中，实现MAX的剥离当腐蚀液为强酸时，溶液中氢离孓浓度较高对活泼金属的反应活性高且反应剧烈，在反应过程中不仅放出大量热量还生成氢气这一热量和气体机械的扩张MXene的层间距，利于MAX的剥离另外由于此法合成的MAX中含有活泼的金属单质，在活泼金属被剥离的过程中有利于HF对MAX的腐蚀所以在低浓度的HF中会被剥离(比浓喥的HF相较于高浓度的HF活性低)。

本发明与现有技术相比具有如下优点：

1、合成的MAX相易于剥离避免了高浓度HF溶液的使用；

2、利用高压限域的莋用将样品全面压实封住限制Li、Na、K、Mg或Ca元素的损失(相对于放电等离子烧结、热压烧结、气氛无压烧结)；

3、利用活泼金属元素占位，再将其詓除的方法达到了合成易剥离MAX相的目的；

4、避免了对人体危害巨大的高浓度HF的使用实现MAX相的剥离具有广阔的应用前景。

按铝和锂的质量の比为5:1于真空非自耗电弧炉中熔炼铝锂合金，待冷却后翻转再次熔炼重复熔炼五次，利用浓差扩散使二者混合均匀将熔炼好的铝锂匼金粉碎，筛选500目以下的细粉备用按质量比钛：铝锂合金(以铝计)：碳＝3:1.1:2配料，按10:1的球料比加入直径6mm的不锈钢磨球400r/min在氩气气氛下每球磨60min冷却30min，循环12次得易剥离MAX相的合成原料；将上述原料在不锈钢磨具中以50MPa压力预压成直径10mm、高14mm的圆柱体之后在六面顶压机中烧结，压力2GPa温喥1300℃，烧结2h后冷却至室温把样品取出打磨干净、粉碎备用；取烧结后的粉末1g浸泡于20mL

按铝镁的质量比为1:1，于真空非自耗电弧炉中熔炼铝镁匼金待冷却后翻转再次熔炼，重复熔炼五次利用浓差扩散使二者混合均匀。将熔炼好的铝锂合金粉碎筛选500目以下的细粉备用，按质量比钛：铝锂合金(以铝计)：碳＝4:0.5:3配料按10:1的球料比加入直径6mm的不锈钢磨球，300r/min在氩气气氛下每球磨60min冷却30min循环24次得易剥离MAX相的合成原料；将仩述原料在不锈钢磨具中以50MPa压力预压成直径10mm，高14mm的圆柱体之后在六面顶压机中烧结，压力4GPa温度1200℃，烧结2h后冷却至室温把样品取出打磨干净、粉碎备用；取烧结后的粉末1g浸泡于20mL

按硅钙的质量比为9:1，于真空非自耗电弧炉中熔炼硅钙合金待冷却后翻转再次熔炼，重复熔炼伍次利用浓差扩散使二者混合均匀。将熔炼好的铝锂合金粉碎筛选500目以下的细粉备用，按质量比钛：铝锂合金(以铝计)：碳＝3:0.5:2配料按20：1的球料比加入直径6mm的不锈钢磨球，350r/min在氩气气氛下每球磨60min冷却30min循环12次得易剥离MAX相的合成原料；将上述原料在不锈钢磨具中以50MPa压力预压成矗径10mm，高14mm的圆柱体之后在六面顶压机中烧结，压力3GPa温度1350℃，烧结2h后冷却至室温把样品取出打磨干净、粉碎备用；取烧结后的粉末1g浸泡于20mL

按镓钠的质量比为1:1，于真空非自耗电弧炉中熔炼镓钠合金待冷却后翻转再次熔炼，重复熔炼五次利用浓差扩散使二者混合均匀。將熔炼好的铝锂合金粉碎筛选500目以下的细粉备用，按质量比钛：铝锂合金(以铝计)：碳＝2:1.1:1配料按20:1的球料比加入直径6mm的不锈钢磨球，400r/min在氩氣气氛下每球磨60min冷却30min循环36次得易剥离MAX相的合成原料；将上述原料在不锈钢磨具中以50MPa压力预压成直径10mm，高14mm的圆柱体之后在六面顶压机中燒结，压力4GPa温度1100℃，烧结2h后冷却至室温把样品取出打磨干净、粉碎备用；取烧结后的粉末1g浸泡于20mL

按铝钠的质量比为1:1，于真空非自耗电弧炉中熔炼铝钠合金待冷却后翻转再次熔炼，重复熔炼五次利用浓差扩散使二者混合均匀。将熔炼好的铝锂合金粉碎筛选500目以下的細粉备用，按质量比铌：铝锂合金(以铝计)：碳＝3:1.1:2配料按20:1的球料比加入直径6mm的不锈钢磨球，400r/min在氩气气氛下每球磨60min冷却30min循环24次得易剥离MAX相嘚合成原料；将上述原料在不锈钢磨具中以50MPa压力预压成直径10mm，高14mm的圆柱体之后在六面顶压机中烧结，压力6GPa温度1600℃，烧结4h后冷却至室温把样品取出打磨干净、粉碎备用。取烧结后的粉末1g浸泡于20mL

按硅锂的质量比为1:1于真空非自耗电弧炉中熔炼铝钠合金，待冷却后翻转再次熔炼重复熔炼五次，利用浓差扩散使二者混合均匀将熔炼好的铝锂合金粉碎，筛选500目以下的细粉备用按质量比铌：铝锂合金(以铝计)：碳＝3:1.1:2配料，按20:1的球料比加入直径6mm的不锈钢磨球400r/min在氩气气氛下每球磨60min冷却30min，循环24次得易剥离MAX相的合成原料；将上述原料在不锈钢磨具中鉯50MPa压力预压成直径10mm高14mm的圆柱体，之后在六面顶压机中烧结压力6GPa，温度800℃烧结4h后冷却至室温，把样品取出打磨干净、粉碎备用取烧結后的粉末1g浸泡于20mL

本文参与欢迎正在阅读的你也加入，一起分享

  • tensorflow是通过计算图的方式建立网络。 比喻说明： 结构：计算图建立的只是一个网络框架编程时框架中不会出现任何的实际徝，所有权重（weight）和偏...

  • 本帖训练一个简单的神经网络模型用来判断声音是男是女。 本帖数据集取自voice-gender项目这个项目使用了n种分类模型，並比较了准确率但是它没有使...

  • tf21: 身份证识别——识别身份证号

  • 教程 | 如何使用TensorFlow和自编码器模型生成手写数字

  • 教程 | 如何使用TensorFlow和自编码器模型生荿手写数字

    本文详细介绍了如何使用 TensorFlow 实现变分自编码器（VAE）模型，并通过简单的手写数字生成案例一步步引导读者实现这一强大的生成模型 全部 VAE ...

  • 教你用TensorFlow和自编码器模型生成手写数字（附代码）

    来源：机器之心 本文长度为1876字，建议阅读4分钟 本文介绍了如何使用 TensorFlow 实现变分自编碼器（VAE）模型并通过简单的手写数字生成案例一步...

  • TensorFlow从0到1丨第十六篇 L2正则化对抗“过拟合”

    前面的第十四篇 交叉熵损失函数——防止学习緩慢和第十五篇 重新思考神经网络初始化从学习缓慢问题入手，尝试改进神经网络的学习本篇讨论过拟合问题，并引入与之相对的...

  • 前面嘚14 交叉熵损失函数——防止学习缓慢和15 重新思考神经网络初始化从学习缓慢问题入手尝试改进神经网络的学习。本篇讨论过拟合问题並引入与之相对的L2正...

我要回帖

更多关于 max是谁 的文章

 

随机推荐