双激光脉冲打靶形成Gd等离子体的极紫外光谱辐射

高端芯片制造所需要的极紫外光刻技术位于我国当前面临35项"卡脖子"关键核心技术之首.高转换效率的极紫外光源是极紫外光刻系统的重要组成部分.本文通过采用双激光脉冲打靶技术实现较强的6.7 nm极紫外光输出.首先,理论计算Gd¹⁸⁺—Gd²⁷⁺离子最外层4d壳层的4p-4d和4d-4f能级之间跃迁、以及Gd¹⁴⁺—Gd¹⁷⁺离子最外层4f壳层的4d-4f能级之间跃迁对波长为6.7 nm附近极紫外光的贡献.其后开展实验研究,结果表明,随着双脉冲之间延时的逐渐增加,波长为6.7 nm附近的极紫外光辐射强度呈现先减弱、后增加、之后再减弱的变化趋势,在双脉冲延时为100 ns处产生的极紫外光辐射最强.并且,在延时为100 ns处产生的光谱效率最高,相比于单脉冲激光产生的光谱效率提升了33%.此外,发现双激光脉冲打靶技术可以有效地减弱等离子体的自吸收效应,获得的6.7 nm附近极紫外光谱宽度均小于单激光脉冲打靶的情形,且在脉冲延时为30 ns时刻所产生的光谱宽度最窄,约为单独主脉冲产生极紫外光谱宽度的1/3.同时...     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。     

石墨基液流电池复合双极板

液流电池是一种安全性高、使用寿命长、可扩展的大规模储能系统,可以协助电网调峰储能,提高能源利用率,发展前景广阔。双极板是液流电池的重要组成部分。功能上起到了分隔、串联电池、传导电流、为电堆提供结构支撑等作用。从成本构成角度看,双极板的价格占电堆成本的比重也较大。开发高性能、低成本的双极板对加快液流电池的商业化应用具有重要意义,也是目前业界的迫切需求。虽然文献上报道了许多针对液流电池双极板开发的工作,但是目前高性能、低成本的液流电池双极板产品仍无法充分满足市场需求。本文着重介绍了石墨基复合双极板的研究现状,介绍了材料选择、工艺流程对关键性能的影响,对相关工作进行了评述,并为液流电池双极板的开发提出了建议。     

极端工况双矩形腔静压推力轴承动态特性

静压推力轴承动态特性受润滑油黏度、油膜厚度和油腔面积等因素影响, 极端工况运行过程中经常承受阶跃载荷或正弦载荷作用, 突加载荷将导致静压推力轴承动态特性改变, 表现为轴承的抗冲击能力和恢复平衡所需时间的变化. 为获得高速重载微间隙极端工况条件下双矩形腔静压推力轴承动态特性, 分别在不同油膜厚度、不同润滑油黏度以及不同油腔尺寸条件下对双矩形腔静压推力轴承的动态性能进行理论分析, 探讨了阶跃载荷作用下润滑油黏度、油膜厚度和油腔面积对轴承动态性能的影响, 揭示了油膜动态变化规律, 探究了正弦载荷作用下双矩形腔静压推力轴承的稳定性. 结果表明: 润滑油黏度、油膜厚度和油腔尺寸变化对其动态性能有很大的影响. 润滑油黏度越大、油膜厚度越小、油腔面积越大突加载荷作用下润滑油膜抵抗冲击的能力越强, 旋转工作台受到突加外力作用下恢复至平衡状态所用时间越短. 双矩形腔静压推力轴承油膜具有较大的阻尼系数, 轴承具有极强的抵抗正弦加载作用的能力      

双光栅测微弱振动实验原理修正

本文简述了双光栅形成光拍信号的过程与微弱振动测试的基本原理,通过仿真计算与实验测试相互对比,对光拍信号的表达式进行了修正,振幅修正系数是由于光栅振动带动衍射光斑振动而产生的;同时,本文通过仿真计算解释了光拍信号毛刺的产生原理,光拍信号的毛刺是由于高级衍射带来的,要想降低毛刺对光拍信号的影响,应尽量使光栅条纹平行或者降低光路中激光强度,以此降低高级衍射对光拍信号的影响.     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。