气相输运沉积制备c轴择优取向的碘化铋薄膜

铋基卤化物材料因其无毒和优良的光电性能而显示出巨大的应用潜力。BiI₃作为一种层状重金属半导体,已被用于X射线检测、γ射线检测和压力传感器等领域,最近其作为一种薄膜太阳能电池吸收材料备受关注。本文采用简单的气相输运沉积(VTD)法,以BiI₃晶体粉末作为蒸发源,在玻璃基底上得到高质量c轴择优取向的BiI₃薄膜。并通过研究蒸发源温度和沉积距离对薄膜物相和形貌的影响,分析了BiI₃薄膜择优生长的机理。结果表明VTD法制备的BiI₃薄膜属于三斜晶系,其光学带隙为~1.8 eV。沉积温度对薄膜的择优取向有较大影响,在沉积温度低于270 ℃时,沉积的薄膜具有沿c轴择优取向生长的特点,超过此温度,c轴择优取向生长消失。在衬底温度为250 ℃、沉积距离为15 cm时制备的薄膜结晶性能最好,晶体形貌为片状八面体。     

ZnO-PSAⅡ型异质结界面电荷转移过程研究

采用稳态光致发光光谱和纳秒时间分辨瞬态光谱(NTRT-PL)表征,揭示ZnO-PSA II型纳米异质结光生载流子电荷转移过程,通过甲基橙光降解实验,测得ZnO-NRs和ZnO-PSA紫外光降解率分别为25.5;和60.1;,光降解率提高到2.4倍,表明II型异质结相对于单一半导体而言,能促进光生载流子在界面间电荷转移,有利于载流子的分离.     

基于平面度的燃料电池电化学性能模拟

 固体氧化物燃料电池的翘曲会影响电极-盖板界面的接触情况，从而影响电化学性能，对相关制造工艺提出了很大的挑战．为了分析燃料电池平面度对放电过程的影响，揭示其潜在的风险，我们建立了两个基于有限元法的仿真模型，对考虑平面度缺陷的燃料电池封装和放电进行分析．在对固体氧化物燃料电池进行平面度测量的基础上，首先建立了具有真实燃料电池翘曲特性的几何模型，分析封装过程中接触压力的分布情况．然后将接触电阻的仿真结果导入到三维多物理场耦合模型中，模拟具有平面度缺陷的燃料电池电化学性能．计算结果展示了燃料电池两侧封装过程中接触压力的分布情况．通过对比有接触电阻和无接触电阻的燃料电池电流密度，分析了电池与盖板的接触对放电过程的影响．结果表明，燃料电池的凹陷面较难达到满意的接触状态，需要比凸起面更大的封装压力．燃料电池表面接触电阻的变化将引起电流传导路径的变化，产生局部高电流或低电流．这项工作强调了在燃料电池中保持均匀分布的接触电阻的重要性，为今后的优化工作奠定了基础．     

超越SNOM探针通光孔径尺寸的金属纳米间隙超分辨测量

采用电磁场有限元方法,数值模拟了孔径型扫描近场光学显微镜(aperture Scanning Near-field Optical Microscopy,a-SNOM)在照明模式下的工作过程.针对金偶极天线结构,改变天线长度和纳米间隙尺寸,计算了a-SNOM探针孔径的远场辐射速率随探针端面中心坐标变化的扫描曲线,实现了超越a-SNOM探针通光孔径尺寸的天线金属纳米间隙的超分辨测量,对于100nm通光孔径的探针,可分辨最小尺寸为10nm(0.016倍波长)的金属间隙.通过对比金属和介质偶极天线的a-SNOM探针远场辐射速率测量的计算结果,表明天线金属纳米间隙的超分辨测量的实现是由于金属间隙表面等离激元的激发.     

基于数字全息的热透镜效应测量

提出一种数字全息定量测量半导体激光二极管侧面泵浦Nd∶YAG晶体热透镜效应的方法。CCD采集Nd∶YAG晶体在不同泵浦电流下的数字全息图,通过数值重建得到热透镜效应引起的相位分布及其变化过程。再由相位分布计算得到对应的热透镜焦距。实验结果表明,利用数字全息技术可以准确和有效测量热透镜效应及热透镜焦距。     

基于深度学习的离轴菲涅耳数字全息非线性重构

针对离轴菲涅耳数字全息图,提出基于深度学习的单幅数字全息非线性重构方法 .采用经典的菲涅耳衍射积分模拟数字全息成像以供给网络训练所需样本,利用深度卷积残差神经网络通过学习数字全息图与相关物像之间的非线性数学映射关系实现全息图的物像重构.数值模拟表明,与传统的频率滤波和四步相移技术实现菲涅耳数字全息重构相比,本文提出的方法可直接消除零级像及孪生像,无需条纹物项抽取预处理步骤,且重构的物像具有较高的质量,针对相同记录参考光下不同衍射距离所生成的测试集亦具有较强的稳健性.     

EAST装置上W波段多道极向相关反射仪的研制

在EAST装置上安装了X模极化W波段多道相关反射仪，用于测量等离子体芯部密度涨落。该诊断利用低损耗(<3dB)多工器将4个不同频率(79.2GHz，85.2GHz，91.8GHz和96GHz)的微波耦合在一起，通过同一个天线发射。反射波由两个极向分离(~5cm)的天线接收，通过下变频技术实现外差测量。通过对两个极向天线接收的信号进行相关分析，获得芯部湍流垂直速度。对2018年低约束模式(L模)放电进行分析发现，在电子回旋共振加热(ECRH)等离子体中，芯部湍流垂直速度在电子逆磁漂移方向。而在注入同向中性束(co-NBI)后，芯部湍流垂直速度变为离子逆磁漂移方向。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。