A highly hydrophobic and oleophilic chitin sponge was synthesized, for the first time, via a freeze-dried method and then by using a thermal chemical vapor deposition of methyltrichlorosilane (MTCS) at different relative humidity. Fourier-transform infrared, energy-dispersive X-ray spectra, and scanning electron microscopy confirmed that the silanization occurred on the pore wall surface of the chitin sponge. The MTCS-coated chitin sponge had interconnected open-cell structures with the average pore size from 20 to 50 μm, and the MTCS nanofilaments immobilized on the chitin matrix, leading to the high hydrophobicity, as a result of the existence of a solid/air composite rough surface. Cyclic compression test indicated that the hydrophobic chitin sponges exhibited excellent elasticity and high mechanical durability. The sponges could efficiently collect organics both on the surface and bottom from the water with the highest 58 times of their own weight absorption capacities through the combination of the particular wettability and great porosity. Furthermore, the biodegradation kinetics of the chitin sponge forecasted that the chitin could be completely biodegraded within 32 days by the microorganisms in the soil. This work provided a new pathway to prepare the chitin-based materials for highly effective removal of oil from water, showing potential application in the pollutant remediation field.

Although metabolic disturbance is a characteristic of diabetic cardiomyopathy (DbCM), the detailed pathogenesis of DbCM remains unknown.

Two-dimensional (2D) lateral heterostructures and superlattices, especially those based on transition metal dichalcogenides, boast exceptional properties for electronics, optoelectronics, and photovoltaics.

As big data continues to evolve, cluster analysis still has a place. Among them, the K-means algorithm is the most widely used method in the field of clustering, which can cause unstable clustering results due to the random selection of the initial clustering center of mass. In this paper, an improved honey badger optimization algorithm is proposed: (1) The population is initialized using sin chaos to make the population uniformly distributed. (2) The density factor is improved to enhance the optimization accuracy of the population. (3) A nonlinear inertia weight factor is introduced to prevent honey badger individuals from relying on the behavior of past individuals during position updating. (4) To improve the diversity of solutions, random opposition learning is performed on the optimal individuals. The improved algorithm outperforms the comparison algorithm in terms of performance through experiments on 23 benchmark test functions. Finally, in this paper, the improved algorithm is applied to K-means clustering and experiments are conducted on three data sets from the UCI data set. The results show that the improved honey badger optimized K-means algorithm improves the clustering effect over the traditional K-means algorithm.