试析自动电位滴定中的化学计量方法应用研究

《试析自动电位滴定中的化学计量方法应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、上海交通大学硕士学位论文自动电位滴定中的化学计量方法应用研究姓名：肖励雄申请学位级别：硕士专业：化学工程指导教师：万锕俊;商粤生20080101上海交通大学工程硕士学位论文摘要自动电位滴定中的化学计量方法应用研究摘要随着自动电位滴定仪的普及，滴定分析继续被广泛地应用于石油化工、食品饮料、生物制药、金属电镀及其它各个行业之中。然而，当有些滴定因溶液浓度较稀，酸、碱的离解常数极弱，配合物稳定常数较小等因素，使得其突跃范围过窄，处于极端情况下时，分析精度仍会受到严重地影响。运用化学计量学的方法，对滴定终点前后的多个电位滴定数据进行处理,可以排除干扰，使分析误差满足样品分析要求。本

2、文首先使用滴定分析的理论公式，分别讨论强碱标准溶液滴定一元弱酸溶液、强酸和弱酸混合液的情况。并在沉淀滴定的条件下，选取了各种适当的实验点，例如：滴定液浓度，终点体积，平衡常数等，得到适合使用最小二乘多项式拟合的条件和参数。其次，通过对采用化学计量学方法的结果与采用最小二乘多项式拟合得到的结果进行比较，讨论了最小二乘多项式拟合方法的优势。神经网络法较为复杂，以往的研究主要针对常规的滴定曲线，没有相对其它方法特别的实用价值。数学模型法如何建立有很强适应性的模型需要更深入的研究。结果显示，在条件满足时，线性电位滴定与多项式拟合法对突跃范围狭窄的滴定都能取得良好效果；小波变换与多项

3、式拟合作用类似，主要用于抑制高频噪音，同时这两种方法内在可变因素较少，易于通过编程实现。本文将最小二乘多项式拟合法在滴定分析中进行了应用，讨论了不同的拟合条件的影响。结果显示，适当的选取参数可以取得良好的分析结果，而且计算采用线性回归，适合仪器内部微处理器实现。关键词：电位滴定，终点，化学计量学，多项式拟合第I页上海交通大学工程硕士学位论文AbstractSTUDYONTHEAPPLICATIONOFCHEMISTRYMETROLOGYINAUTOMOTIVEPOTENTIOMETRICTITRATIONABSTRACTWiththeextensiveapplication

4、ofautomatictitrationpotentiometer,titrationanalysiscontinuedtobeusedinthefieldsofpetroleumchemistry,foodanddrink,bio-pharmacyandmetalelectroplate.However,theanalysisprecisionoftitrationresultsareseriouslyaffectedbythesolutionconcentration,decompositionconstantofacidorbaseandthestabilitycon

5、stantofcomplex.Undertheextremeconditions,suchasallthevaluesareverysmall,theburstspringrangeistoonarrow.Usingthemethodsofchemistrymetrologyanddealingwithvariouspotentiometrictitrationdataofbefore-and-aftertitrationendpoint,interferecouldbeexcluded.Inthisarticle,thetheoreticalformulasoftitra

6、tionanalysisareusedtodiscussthesituationsofalkalistandardsolutiontitratemonoproticweakacidandthemixtureofstrongandweakacids.Underdepositiontitrationcondition,variousappropriateexperimentalpoints,suchastitrationconcentration,endpointvolume,balanceconstantetal.areselectedtoobtainthefittingpa

7、rametersandconditionsfortheuseoftheleastsquaresbinarypolynomialfitting.Inaddition,theadvantageoftheleastsquaresbinarypolynomialfittingisdiscussedthroughcomparedtheresultsofchemistrymetrologyandtheleastsquaresbinarypolynomialfitting.Thenervenetworkmethodiscompl