We used pentacarboxylic acid ligand 3, 5-di(2', 4'-dicarboxylphenyl) benzoic acid (H₅L) to synthesize two structural similarity lanthanide-cobalt heteronuclear bimetallic organic frameworks (Ln-Co-MOFs) by hydrothermal method: (C₂H₆NH₂)₅{[Eu₉Co(L)₆(H₂O)₅(OH)₄] ·5DMF}_n (1), (C₂H₆NH₂)₂{[Sm₉Co(L)₆(H₂O)₃Cl] ·5DMF}_n (2). The structures were characterized and the property was tested by single crystal X-ray diffraction, powder X-ray diffraction, thermogravimetry, infrared, fluorescence spectra, and magnetism. The results show that 1 and 2 both belong to the trigonal R3 space group and have novel 3D structures and good thermal stability. Among them, 1 has strong fluorescence properties, which can sensitively identify drug molecules sulfasalazine and organic molecules glutaraldehyde. The detection limits could reach 0.95 and 2.10 μmol·L^-1, respectively. In addition, 1 and 2 were antiferromagnetic at 1 kOe.

碳纤维作为国防、航空航天、轨道交通等领域的关键材料，已被纳入国家战略发展规划。其前体(如共聚聚丙烯腈)的结构组成是影响碳纤维结构与性能的核心因素。然而，我国在碳纤维共聚前体的合成及应用方面仍面临技术瓶颈，亟需通过本科相关教学实验培养具备专业知识与创新能力的复合型人才。目前，本科高分子化学实验课程多以均聚物自由基聚合实验为主，并采用单变量控制的非探究性模式进行。由于实验时长有限、单体种类与比例选择复杂以及仪器条件不足等因素，具有重要应用的共聚物的合成实验难以纳入传统的实验教学中。随着人工智能等数字化技术的快速发展，这一困境有望被突破。本研究设计了一套基于共聚物合成及应用的数字化实验教学方案，通过利用开源数据库训练神经网络，借助人工智能程序预测不同合成策略的结果，学生可在虚拟实验平台上优化相关参数，模拟聚丙烯腈基碳纤维的全流程合成及性能测试，进而指导开展线下探究性碳纤维共聚前体的合成实验，产生的实验数据可上传至平台，用于微调预训练模型，从而逐步提高人工智能模型的预测精度。最终，通过与相关虚拟仿真实验的链接，构建了碳纤维前体“合成–结构–性能–应用”的全流程模块化实验体系，为学生提供了一个系统性、探究性及创新性的数字化综合实验，有效提升了人才培养的质量。