A chiral two-dimensional MOF, {[Ca(D-Hpmpc)(H2O)2]·2HO0.5}n (1, D-H3pmpc = D-1-(phosphonomethyl) piperidine-3-carboxylic acid), with intrinsic proton conductivity has been synthesized and characterized. Structure analysis shows that compound 1 possesses protonated tertiary amines as proton carriers and hydrogen-bonding chains served as proton-conducting pathways. Further, MOF–polymer composite membranes have been fabricated via assembling polymer PVP with different contents of rod-like 1 submicrometer crystals. Interestingly, the proton conductivity of this composite membrane containing 50 wt% 1 is rapidly increased, compared with that of pure submicrometer crystals at 298 K and ∼53% RH. Therefore, it is feasible to introduce humidification of PVP into composite membranes to enhance low-humidity proton conductivity; and humidified PVP with adsorbed water molecules plays an important role in proton conduction indicated by the results of water physical sorption and TG/DTG analyses. This study may offer a facile strategy to prepare a variety of solid electrolyte materials with distinctive proton-conducting properties under a low humidity.

A flexible, dictyophora-like sponge of porous N-doped carbon microtubes demonstrates excellent electrocatalytic activities for both the oxygen reduction reaction and oxygen evolution reaction.

Abstract Hydrogen‐based energy is a promising renewable and clean resource. Thus, hydrogen selective microporous membranes with high performance and high stability are demanded. Novel NH 2 ‐MIL‐53(Al) membranes are evaluated for hydrogen separation for this goal. Continuous NH 2 ‐MIL‐53(Al) membranes have been prepared successfully on macroporous glass frit discs assisted with colloidal seeds. The gas sorption ability of NH 2 ‐MIL‐53(Al) materials is studied by gas adsorption measurement. The isosteric heats of adsorption in a sequence of CO 2 > N 2 > CH 4 ≈ H 2 indicates different interactions between NH 2 ‐MIL‐53(Al) framework and these gases. As‐prepared membranes are measured by single and binary gas permeation at different temperatures. The results of singe gas permeation show a decreasing permeance in an order of H 2 > CH 4 > N 2 > CO 2 , suggesting that the diffusion and adsorption properties make significant contributions in the gas permeation through the membrane. In binary gas permeation, the NH 2 ‐MIL‐53(Al) membrane shows high selectivity for H 2 with separation factors of 20.7, 23.9 and 30.9 at room temperature (288 K) for H 2 over CH 4 , N 2 and CO 2 , respectively. In comparison to single gas permeation, a slightly higher separation factor is obtained due to the competitive adsorption effect between the gases in the porous MOF membrane. Additionally, the NH 2 ‐MIL‐53(Al) membrane exhibits very high permeance for H 2 in the mixtures separation (above 1.5 × 10 −6 mol m −2 s −1 Pa −1 ) due to its large cavity, resulting in a very high separation power. The details of the temperature effect on the permeances of H 2 over other gases are investigated from 288 to 353 K. The supported NH 2 ‐MIL‐53(Al) membranes with high hydrogen separation power possess high stability, resistance to cracking, temperature cycling and show high reproducibility, necessary for the potential application to hydrogen recycling.

Because of weak hydrophilicity, membranes always experience fouling problems during separations. This phenomenon seriously impedes the development of membrane technologies for practical industrial-oil wastewater treatment. In this work, we successfully fabricated a superhydrophilic zwitterionic poly(vinylidene fluoride) (PVDF) membrane using a two-part process with an in situ cross-linking reaction during nonsolvent-induced phase separation and a subsequent sulfonation reaction. To prepare this zwitterionic PVDF membrane, a copolymer poly(dimethylaminoethyl methacrylate-co-2-hydroxyethyl methacrylate) (PDH) was synthesized as a zwitterionic polymer precursor and used as an additive in membrane preparation. This zwitterionic additive is well-immobilized in the membrane using in situ cross-linking to ensure the long-term stability of the membrane, and subsequent sulfonation transforms the precursor to a zwitterionic polymer to produce a superhydrophilic membrane. This superhydrophilic zwitterionic PVDF membrane exhibits high water permeation flux and good antifouling properties for separating oil-in-water emulsions with high separation efficiency.

Convolutional neural networks (CNNs) perform excellently in many image processing and computer vision tasks. However, their complex structure and the vast number of parameters require substantial computational and storage resources. This makes them challenging to implement, especially on mobile or embedded devices. Furthermore, CNN soften face issues limited transferability and susceptibility to overfitting. Sparsity and pruning are commonly used techniques to address these issues. Current methods include Spatial Dropout, block sparsity, structured pruning, dynamic pruning, and model-independent retraining-free sparsity. Our algorithm enhances CNNs by implementing a Dropout-like operation within the convolutional kernels. Drawing inspiration from sparse CNN and ROCKET methods, this approach employs randomly sparse convolutional kernels to reduce the data density processed during convolution operations. This novel method improves performance and efficiency, demonstrating its potential as a significant advancement in CNN architecture. The method is tested on serval popular datasets by adjusting parameters within the same model and on different hardware. It demonstrates improved training speed and accuracy reduced overfitting -- compared to traditional CNNs -- as measured by FLOPs and validation dataset accuracy.

The precise determination of tobacco leaf maturity is pivotal for safeguarding the taste and quality of tobacco products, augmenting the financial gains of tobacco growers, and propelling the industry's sustainable progression. This research addresses the inherent subjectivity and variability in conventional maturity evaluation techniques reliant on human expertise by introducing an innovative YOLOv10-based method for tobacco leaf maturity detection. This technique facilitates a rapid and non-invasive assessment of leaf maturity, significantly elevating the accuracy and efficiency of tobacco leaf quality evaluation. In our study, we have advanced the YOLOv10 framework by integrating DCNv3 with C2f to construct an enhanced neck network, designated as C2f-DCNv3. This integration is designed to augment the model's capability for feature integration, particularly concerning the morphological and edge characteristics of tobacco leaves. Furthermore, the incorporation of the Efficient Local Attention (ELA) mechanism at multiple stages of the model has substantially enhanced the efficiency and fidelity of feature extraction. The empirical results underscore the model's pronounced enhancement in performance across all maturity classifications. Notably, the overall precision (P) has been elevated from 0.939 to 0.973, the recall rate (R) has improved from 0.968 to 0.984, the mean average precision at 50% intersection over union (mAP50) has advanced from 0.984 to 0.994, and the mean average precision across the 50% to 95% intersection over union range (mAP50-95) has risen from 0.962 to 0.973. This research presents the tobacco industry with a novel rapid detection instrument for tobacco leaf maturity, endowed with substantial practical utility and broad prospects for application. Future research endeavors will be directed towards further optimization of the model's architecture to bolster its generalizability and to explore its implementation within the realm of actual tobacco cultivation and processing.