GaInP/GaAs/Ge三结太阳电池不同能量质子辐照损伤模拟

以GaInP/GaAs/Ge三结太阳电池为研究对象,开展了能量为0.7, 1, 3, 5, 10 MeV的质子辐照损伤模拟研究,建立了三结太阳电池结构模型和不同能量质子辐照模型,获得了不同质子辐照条件下的I-V曲线,光谱响应曲线,结合已有实验结果验证了本文模拟结果,分析了三结太阳电池短路电流、开路电压、最大功率、光谱响应随质子能量的变化规律,利用不同辐照条件下三结太阳电池最大输出功率退化结果,拟合得到了三结太阳电池最大输出功率随位移损伤剂量的退化曲线.研究结果表明,质子辐照会在三结太阳电池中引入位移损伤缺陷,使得少数载流子扩散长度退化幅度随质子能量的减小而增大,从而导致三结太阳电池相关电学参数的退化随质子能量的减小而增大.相同辐照条件下,中电池光谱响应退化幅度远大于顶电池光谱响应退化幅度,中电池抗辐照性能较差,同时中电池长波范围内光谱响应的退化幅度比短波范围更大,表明中电池相关电学参数的退化主要来源于基区损伤.     

桉树杂交种与其亲本的近红外光谱判别

研究桉树控制授粉后目标性状的基因作用方式是探索其基因重组规律的重要内容。常规的数量统计分析精度往往不高,而DNA分析的专业要求高,且费时费力。该研究利用近红外光谱(NIRs)研究不同基因型桉树杂交种、亲本及杂交种与亲本间近红外光谱信息的关系,探索NIRs用于桉树杂交种与其亲本判别的可行性和准确性。以控制授粉的桉树亲本及其杂交F1代材料为对象,每种基因型从各自田间试验分别选取10个单株,采集树冠中上部新鲜健康叶片。用手持式近红外仪Phazir Rx(1624)采集桉树杂交种与其亲本叶片的NIRs信息。每单株选10片完全生理成熟的健康叶片,避开叶脉扫描其正面光谱5次,以50条NIRs信息的均值代表单个叶片的NIRs信息,最终每个基因型获得10条NIRs信息。对原始NIRs采用二阶多项式S.G一阶导数预处理。预处理后的NIRs用于多元统计分析,首先对桉树杂交亲本和子代样本进行主成分分析(PCA),直观展示不同基因型的分类情况。然后运用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种有监督的判别模式验证NIRs用于桉树杂交种与其亲本树种的分类判别效果。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的主因子得分可以清晰地将各基因型分开。SIMCA模式判别分析中,桉树杂交种样本到亲本PCA模型的样本距离显示,待判别样本能够形成单独的聚类,且能直观反映两者的遗传相似。PLS-DA判别结果显示,桉树杂交亲本的PLS模型能通过预测其杂交子代的响应变量将其与亲本准确分开。结果表明,桉树叶片的NIRs信息可以准确地反映桉树杂交子代遗传信息的传递规律,NIRs判别模型可以准确地将各种基因型予以区分。因此,NIRs信息不仅可用于桉树杂交种和纯种的定性判别,还可以分析桉树基因重组过程中加性遗传效应的大小,从而为桉树遗传基础分析及其育种改良研究提供理论支撑。     

三维层状双金属氢氧化物(3D-LDHs)的制备及应用概述

三维层状双金属氢氧化物简称3D-LDHs,是在制备普通二维层状金属氢氧化物(2D-LDHs)的过程中,改变反应条件得到的三维结构产物.它的组成单元与二维产物相同为完整LDHs纳米片,基本保留了LDHs具有的碱性、阴离子可交换性和记忆效应等特点,同时又因三维结构获得了更大的比表面积、丰富的孔隙结构以及形成复合材料的能力,在吸附、催化和电化学等方面的应用性能得以增强.本文概述了3D-LDHs的组成结构、主要制备方法及产物形貌,并对未来的研究方向进行了展望.     

一种新的岩石非线性黏弹塑性蠕变模型研究

为了克服传统元件组合模型不能描述岩石蠕变过程中非线性特征的缺陷，首先根据加速蠕变阶段的应变和应变率随蠕变时间急剧增大的特点，建立黏塑性应变与蠕变时间的指数函数关系并提出非线性黏塑性体．将该非线性黏塑性体与广义Burgers蠕变模型串联，建立可以描述岩石全蠕变过程的非线性黏弹塑性蠕变模型，根据叠加原理得到一维应力状态下的轴向蠕变方程．然后基于塑性力学理论指出岩石三维蠕变本构方程建立过程中的不足之处，并给出非线性黏弹塑性蠕变模型合理的三维蠕变方程．最后采用不同应力水平下砂岩轴向蠕变试验对模型合理性进行验证，结果表明：拟合曲线与试验曲线吻合度较高，所建蠕变模型能够很好地描述砂岩在不同应力水平下的蠕变变形规律，尤其对加速蠕变阶段的非线性特征描述效果很好，验证了模型的合理性．     

微生物絮凝的时滞动力学模型与理论分析

基于微生物连续培养与絮凝等实际问题,利用微分方程相关理论,构建了一类具有时间滞后的微分方程动力学模型.模型中的时间滞后刻画了培养皿中微生物对于连续供给的营养物质的吸收、转化过程中客观存在的滞后因素.边界平衡点的存在性与稳定性揭示了培养皿中,连续培养的微生物浓度,随着时间的推移,将趋近于零.另一方面,正平衡点的存在性与稳定性揭示了培养皿中,连续培养的微生物浓度、营养物质浓度、絮凝剂浓度,随着时间的推移,将分别趋近于常数,即培养皿中微生物连续收集的可行性.     

基于NICE-OHMS技术进行大气压气样直接检测的理论分析

噪声免疫腔增强光外差分子光谱技术(NICE-OHMS)是目前世界上最灵敏的激光吸收光谱技术,其在低压环境中具有极高的探测灵敏度。然而当测量样品处于大气压时,NICE-OHMS系统的探测灵敏度会大幅下降。主要原因之一是大气压下获取最大NICE-OHMS信号幅度的条件与低气压下不同。通过对大气压NICE-OHMS理论进行分析,分析了影响信号幅度的参数,并通过数值模拟来寻找最佳的实验条件。本文着重讨论影响信号的主要参数包括光学腔腔长L,调制系数β,探测相位θ。其中,由于在NICE-OHMS中使用DeVoe-Brewer技术将调制频率ν_m锁定到Fabry-Parot(FP)腔的自由光谱区(FSR)。因此FP腔的腔长决定了ν_m,同时还作用于信号幅度S■。模拟结果显示,当腔长增大时,由于ν_m随之减小,载波和边带的光谱成分相互重叠部分增大,因此线型函数的幅度逐渐减小。而吸收信号幅度随着腔长的增加而逐渐增加,色散信号幅度先增大后减小,并且在腔长等于8 cm时达到最大值。调制系数β会影响频率调制后激光载波和边带的幅度大小,并且影响信号线型。随着腔长的增加,最大信号幅度对应的β值也随之增加。在相同腔长下,色散信号的最佳β值小于吸收信号,更容易使用电光调制器实现。最后分析了参数的可实现性,分析了不同种类激光器的频率调谐能力,压电陶瓷的扫描宽度等。以乙炔气体为例,大气压下NICE-OHMS的谱线半宽达到~3 GHz,而光谱覆盖范围大于10 GHz。分布反馈式半导体激光器(DFB)与外腔二极管激光器(ECDL)的频率调谐范围可以达到30 GHz以上,但是由于激光线宽宽,得到的PDH锁定性能欠佳。回音壁模式激光器(WGM)和掺饵光纤激光器(EDFL)线宽为百Hz量级,是目前高灵敏NICE-OHMS系统中常用的光源。但是WGM目前可以实现了5 GHz的激光频率调谐范围,而EDFL的外部电压可控制的调谐范围仅为3 GHz。使用精细度为55000的腔进行模拟,调制系数β=1,腔长大于8 cm时,可使用WGM激光器实现,腔长大于25 cm时,可以使用EDFL激光器实现。而对于在设计光学腔中常用的伸缩长度为25μm的PZT,随着腔长的增加,对应的腔模频移范围逐渐减小,在腔长为典型的40 cm时,扫描范围大于12 GHz。     

干式变压器有限元仿真模型的电磁和振动分析

随着电力需求的逐年增长,干式变压器的数量也在不断增加。干式变压器在运行时存在着振动和噪声的问题,为了对干式变压器振动的规律与特点进行研究,本文建立了干式变压器本体振动的有限元仿真模型,通过电磁分析获得相应的磁场分布,然后利用结构动力学分析得到其本体振动的相关规律。通过对处于运行状态的变压器振动数据进行实测分析,得到变压器振动的特征频率,然后对仿真结果进行对比分析,可以发现振动幅度与频率之间存在的关系。本文的研究结果可对干式变压器的减振降噪研究提供参考。     

结合VEC和信心水平分析Black-Litterman投资组合模型

在理论上通过推导得出了Black-Litterman模型(B-L模型)最优权重与信心水平的关系式.实证部分开创性地将多元时间序列VEC模型运用到B-L模型的观点收益预测中.结果表明:且通过向量误差修正模型,实证取得了较好的效果.在任意一种做空限制下,随着信心水平在0%~70%水平上升,收益率有连续上升的趋势,并逐渐趋稳;风险有并不明显的下降的趋势.对同一信心水平而言,随做空限制的放宽,收益率有上升趋势.     

减反膜对单晶硅太阳能电池性能的影响分析

在太阳能电池效率的评价中，电池材料、掺杂浓度、扩散长度等都是比较重要的参数，合理地改变相关参数可以优化太阳能电池的性能，提高电池效率。此外，在太阳能电池表面镀一层具有减反作用的光学薄膜（简称减反膜）也是提高电池效率的重要手段。以提高电池效率为目标，对单晶硅太阳能电池的掺杂浓度和扩散长度等微观参数进行计算优化，分析了掺杂浓度和扩散长度变化对电池效率的影响。并在此基础上分析了不同类型的减反膜对于电池效率的影响，给出了最佳减反膜材料及其膜系厚度，并且结合镀膜后电池量子效率的变化验证了其准确性。结果表明，在优化电池掺杂浓度和扩散长度的基础上，选择合适的减反膜，电池效率最高可达20.35%，相比于优化前提高了8.25%。     

基于Deep-IndRNN的DGA域名检测方法

恶意服务常利用域名生成算法（DGA）逃避域名检测,针对DGA域名隐蔽性强、现有检测方法检测速度较慢、实用性不强等问题,采用深度学习技术,提出了一种基于Deep-IndRNN的DGA域名检测方法。方法运用词袋模型（BoW）将域名向量化,然后通过Deep-IndRNN提取域名字符间特征,并使用Sigmoid函数对域名分类检测。其主要特点在于:通过将Deep-IndRNN的多序列输入拼接为单向量输入,以单步处理代替循环处理,同时结合Deep-IndRNN能保存更长时间记忆的特点,可有效释放深度学习时占用的GPU、CPU等系统资源,且在保证高准确率和精确度的前提下提高训练、检测速度。实验结果表明,基于Deep-IndRNN的DGA域名检测方法在检测任务中具有较高的准确率和精确度,相比于DNN、CNN、LSTM、BiLSTM、CNN-LSTM-Concat等同类检测方法,能显著提高训练、检测速度,是有效可行的。