惯组小系统动力学建模与非线性特性分析

基于"三心重合"的设计思想和飞行器的姿态需求,建立了含立方项非线性刚度的惯组小系统动力学模型。提出了惯组小系统存在系统动刚度和减振器动刚度的"双层级"概念。利用龙格-库塔法求解渐软非线性系统对正弦扫频激励的响应,得出减振器动刚度存在对激励幅值和激励频率的敏感区域,采用动刚度曲线表征了减振器的非线性软化特性。利用虚弧长延拓法计算惯组小系统的非线性频响函数和传递特性,预示了高量级振动下减振器的动力失稳现象。通过惯组小系统传递特性试验,验证了减振器具有渐软刚度的非线性特性。扫频法计算结果与正弦扫频试验结果的吻合度达到96.5%,检验了构建模型的正确性。所建立的模型工程应用简便,对惯组小系统非线性特性的预示具有较高的精度,可供飞行器姿控系统设计时参考。     

金刚石衬底上GaN HEMT沟道温度建模:各向异性且非均匀热导率的影响

为了改善GaN HEMT的自热效应,集成高热导率的金刚石衬底有助于增强器件有源区的热量耗散。然而,化学气相淀积(CVD)生长的多晶金刚石(PCD)具有柱状晶粒结构,导致了各向异性的材料热导率,且其热导率值与生长厚度有关。为此,通过建模金刚石生长过程中晶粒尺寸的演变过程,计算了金刚石沿面内和截面方向的热导率。基于该PCD热导率模型,利用计入材料非线性热导率的GaN器件热阻解析模型,计算得到了GaN HEMT沟道温度的波动范围,并分析了其与器件结构(栅长、栅宽、栅间距、衬底厚度)和功耗的依赖关系。最后,通过与有限元(FEM)仿真结果对比,分区域提取了GaN HEMT器件中PCD衬底的有效热导率,分别为260~310 W/(m·K)和1 250~1 450 W/(m·K)。本文的计算为预测金刚石衬底上GaN HEMT器件的沟道温度提供了快速、有效的方法。     

碳纳米管膜的高温纯化研究

为了获得纯度更高的碳纳米管膜, 保证材料发热稳定性, 需要对通过化学气相沉积法得到的碳纳米管膜进行二次纯化. 通过使用高温纯化炉, 在真空状态下, 从1700℃到3200℃分7挡温度对碳纳米管进行纯化, 并对其含碳量和方块电阻进行比较. 结果表明, 高温纯化后的碳纳米管膜含碳量从95.0%提高到99.9%, 解决了含碳量低的问题. 同时, 在高温纯化中发现碳纳米管膜方块电阻从纯化前3Ω降低到0.5Ω, 方块电阻的降低对碳纳米管膜具有十分重要的意义, 同样对碳纳米管膜后续产品的开发也有重要作用.     

掺锗提高VO2薄膜的相变温度机理研究

二氧化钒(VO₂)作为一种长久以来备受关注的新型可逆相变材料,发展潜力巨大,其相变温度(T_MIT)的调控一直是研究热点。本文主要利用锗离子作为掺杂离子探索其对VO₂薄膜T_MIT的影响,并尝试解释其内部作用机理。在约1 cm²大小抛光的氧化铝薄片上沉积了一系列含不同比例锗离子VO₂薄膜。研究发现锗离子作为掺杂离子确实有利于T_MIT的提高(本课题T_MIT最大可达84.7 ℃)。T_MIT提高的主要原因是锗离子的引入能够强化单斜态V-V二聚体的稳定性,进而增强单斜态的稳定性,使得低温单斜态向四方金红石态转变更加困难。     

HPM视角下“基本不等式”的教学北大核心

《普通高中数学课程标准(2017年版)》中指出在数学学科核心素养培养过程中需要注重数学文化的渗透;并要求教师在教学过程中注重引导学生把握数学本质,了解数学的发展历程,厘清知识的源与流,建立新旧知识之间的关联.数学教师要尊重学生的认知规律和数学的学科特性,放慢节奏,增加体验,让数学学习自然发生.     

化学势依赖于系统内的所有物质

在热力学中，关于多元系的化学势的变量集，有互不一致的两种结论.一种结论认为，某种物质的化学势，仅仅依赖于其它物质的存在，另外一种认为，不仅依赖于其它物质，也依赖于自己.本文通过详细的分析论证了，一般而言，化学势依赖于系统内的所有物质.     

单层MXene纳米片Ti2N电磁特性的过渡金属(Sc、V、Zr)掺杂效应

二维材料MXene纳米片由于具有较大的比表面积和较高的电子迁移率而受到广泛的关注。本文采用基于密度泛函理论的第一性原理计算,对单层MXene纳米片Ti₂N电磁特性的过渡金属(Sc、V、Zr)掺杂效应进行了系统研究。结果表明,所有过渡金属掺杂体系结合能均为负值,结构均稳定;其中Ti₂N-Sc体系的形成能为-2.242 eV,结构更易形成,且保持稳定;掺杂后Ti₂N-Sc、Ti₂N-Zr体系磁矩增大;此外,Ti₂N-Sc体系中保留了较高的自旋极化率,达到84.9%,可预测该体系在自旋电子学中具有潜在的应用价值。     

紫色球杆菌视紫红质光谱特性的机器学习研究

近年来，机器学习等人工智能技术被应用于蛋白质工程，其在蛋白质结构、功能预测、催化活性等研究中具有独特优势。在未知蛋白质结构的情况下，将蛋白质序列和功能特性与机器学习相结合，基于序列-活性关系（innovative sequence-activity relationship，ISAR）算法，将蛋白质氨基酸序列数字化，用快速傅里叶变换（fast four transform，FFT）进行预处理，再进行偏最小二乘回归建模，可在数据集较少情况下拟合得到最佳模型。通过机器学习对紫色球杆菌视紫红质（gloeobacter violaceus rhodopsin，GR）的突变体蛋白质氨基酸序列与光谱最大吸收波长进行建模，获得了最佳模型。用最佳索引LEVM760106建模得到的确定系数R² 为0.944，均方误差E为11.64。用小波变换进行的预处理，其R² 虽也约为0.944，但E大于11.64，不及FFT进行的预处理。方法较好地解决了蛋白质序列与功能特性之间的数学建模问题，在蛋白质工程中可为预测更优的突变体提供支持。