非富勒烯受体DA'D型稠环单元的结构修饰及电池性能研究

近年来,设计和合成高性能非富勒烯受体(NFAs)材料已经成为太阳能电池研究领域的前沿课题。基于DA'D型稠环结构的NFAs由于具有吸光系数高、能级和带隙可调、结构易于修饰、分子可高效合成、光电学性能优异等优点而受到了越来越广泛的关注。在短短7年的时间里,能量转换效率(PCE)从3%~4%提高到18%。2019年初邹应萍等报道了一个优秀的受体分子Y6,与PM6共混制备单结电池,获得了15.7%的能量转换效率。Y6类受体材料的中心给电子单元为DA'D型稠环结构,缺电子单元(A')通过氮原子与两个给电子单元(D)并联形成稠环结构,这有助于降低前线分子轨道能级并增强吸收,同时与氮相连的两个烷基链和位于噻吩并噻吩β位的两个侧链则有助于提高溶解度及调节结晶性。自Y6问世以来,人们对分子的结构剪裁进行了深入的研究,并报道了数十种新的结构。在这些新的受体中,DA'D部分的结构裁剪对提高器件效率和太阳能电池的性能起着至关重要的作用。本文对A'、D单元和侧链结构修饰的研究进展进行了综述。通过选择几组受体,对最近报道的分子进行分类,并将它们的光学、电化学、电学和光电性质与精确的结构修饰相关联,从而对结构-性能关系进行全面概述。     

数学深度解题教学探析——2021年全国乙卷理科第12题为例

为促使数学解题教学走向深入,本文基于2021年全国乙卷理科第12题,从深度应用、深度联结和深度拓展这三个维度进行探究,分析该题解决过程中所涉及的数学思维,挖掘数学思维在数学深度教学中的价值.     

逻辑函数高阶布尔e偏导数求解算法的实现

针对已有方法在求解布尔e偏导数时只能解决小规模电路的问题,提出了一种基于逻辑函数不相交运算的大函数高阶布尔e偏导数的求解算法.该方法将逻辑函数转化为不相交乘积项的集合,用逻辑函数的不相交运算替代布尔e导数运算中的逻辑"与"运算;并将不包含待求导变量的乘积项拆分出来,不参与布尔e导数运算,以达到降低算法复杂度、提高算法速度的目的.提出的算法用C语言编程实现,并用MCNC测试电路进行了测试.实验结果显示,本算法能快速实现大函数高阶布尔e偏导数的求解,求解效率与参与不相交运算的乘积项数量有关,但对输入变量的数量不敏感.     

裂纹问题的一致性高阶无网格法

一致性高阶无网格法能高效精确地求解连续体问题，尤其是能得到高精度的应力场。本文将该方法拓展到应力解析精度至关重要的裂纹问题（即非连续体问题）的数值分析。采用背景积分网格描述裂纹几何，基于无需增加节点额外自由度的虚拟节点法描述裂纹处位移场的间断，提出了虚拟节点的引入算法和断裂单元的数值积分方法。为进一步模拟裂纹扩展，采用相互作用积分方法计算应力强度因子，裂纹的扩展方向由最大周向应力准则确定。数值结果表明，本文发展方法能够精确地通过间断分片试验；相较于标准的高阶无网格法和低阶一致性无网格法，本文的一致性高阶无网格法显著改善了应力强度因子的计算精度，能够准确预测裂纹扩展路径。     

拉伸载荷作用下单边缺陷-边裂纹应力强度因子研究

利用杂交位移不连续法研究拉伸载荷作用下矩形板中单边缺陷-边裂纹(半圆孔裂纹和半方孔裂纹)问题,给出了这三种平面弹性裂纹问题的应力强度因子的详细数值解。通过半圆孔裂纹问题和半方孔裂纹问题与单边裂纹问题的应力强度因子的比较,发现半圆孔和半方孔对单边裂纹有屏蔽影响。此外,本文的研究结果表明,杂交位移不连续法用于分析平面弹性有限体中复杂裂纹问题的应力强度因子简单且又准确。     

旧知生长引出新知,信息技术提升效益——以“锐角三角函数”单元教学起始课为例

锐角三角函数是初中阶段最后"出场"的新知识(也是开启一个重要的数学分支),可以选择的新知生长点有很多,不少教材都是从生活现实出发,研究特殊直角三角形在生活中的边角关系,依次定义正切、正弦、余弦,最后归纳概括出正切函数、正弦函数、余弦函数,而且分散在两到三个课时中进行,这样当然能化解难点,并且针对每个新出现的三角函数能进行足够的解题训练.然而,上述"分散"课时教学的一个不足就是在新引入一个数学分支时不利于学生第一时间感知整体,对三角函数的源头——"客从何处来"也不甚清楚.基于以上认识,我们整合教材资源,构思了"锐角三角函数"单元教学起始课,本文整理出来,供研讨.     

用人工神经网络方法测量生物组织光学参数γ

提出了一种利用亚扩散空间分辨漫反射预测生物组织约化散射系数μ_s'和相函数参量γ的人工神经网络方法 .采用蒙特卡罗方法得到光子经生物组织漫反射的数据样本,利用这些数据样本训练反向传播神经网络,用于从亚扩散散射光中预测γ的信息.为了解决同时预测μ_s'和γ两个参数时会产生较大误差的问题,分段数据训练两个BP网络,依次识别μ_s'和γ.研究发现3.64l_(th)(l_(th)表示平均输运自由程)是对γ的不敏感点,可用该点附近的数据样本训练网络用于预测μ_s',用2l_(th)范围内的数据样本训练网络用于预测γ.蒙特卡罗仿真结果表明,在1.3≤γ≤1.9范围内,预测结果与真实值的相对均方根误差在1%以内.与现有的测量方法相比,所提的人工神经网络方法更加简单,且提高了预测精度.