有机高分子材料使用寿命预测方法

有机高分子材料在使用过程中,因受各种环境因素的作用,材料的性能会出现衰变、劣化,及至完全丧失使用性能的老化现象,老化伴随了材料的整个生产和使用过程。为保证材料的使用安全,人们对有机高分子材料在自然环境中的使用寿命展开了大量的研究工作。本文整理和归纳了近几十年来有机高分子材料使用寿命的预测方法,对由于新检测技术的出现而发...     

高分子材料的环境行为与老化机理研究进展

总结了有关高分子材料在环境因素作用下老化研究的历史与现状,阐述了环境场(如光、热和化学介质)对高分子老化的影响,提出了材料老化的一些主要机理。在探讨了一些新研究手段的发展和取得的成果的基础上,进而展望了高分子材料老化及防护措施的研究动向和发展趋势。     

稀土高分子发光材料研究的新进展

介绍了稀土高分子发光材料的发光机理及其发展历程，对其合成方法以及研究方向进行了综述，着重阐述了掺杂型和键合型稀土高分子发光材料研究的最新进展，并对其发展方向和应用前景作了展望。     

Pickering乳液在功能高分子材料研究中的应用

功能高分子材料制备的瓶颈问题是如何解决多重材料的相容性问题,传统的物理共混技术和聚合添加技术无法保证材料的稳定性及均一性。 Pickering乳液具有成本低、毒性小、环境友好、稳定性好、制备的多重材料结构稳定等优点,在制备功能高分子材料的应用中越来越受到人们的重视。 本文详细介绍了Pickering乳液在功能性高分子材料制备中的应用研究进展,提出了Pickering乳液聚合制备功能高分子材料面临的一些问题,并结合本课题组的研究方向,对其发展前景进行了展望。     

生物高分子材料在药物传递系统中的降解Ⅰ.机理与表征方法

生物高分子材料在现代药物传递系统中不仅起着载体的作用,而且还影响和控制药物的缓释机理。文章为第一部分,主要介绍生物高分子材料在药物传递系统中的降解机理与表征方法。     

《高分子物理实验》教学中耐候性材料老化综合性实验的设计与探究

《高分子物理实验》是高分子科学体系的重要组成部分,从事高分子研究必须掌握的基础技能."高分子材料力学性能测定"是《高分子物理实验》中一个重要的实验项目.本文结合新疆的气候特点和新疆大学高分子材料专业的实际情况,把教师的科研成果与本科教学相结合,设计出独具特色的耐候性材料老化综合性实验.学生在实验中,不仅了解了高分子材料...     

新时代高分子材料与工程专业高素质应用型创新人才培养研究

培养高素质应用型创新人才既是与国际接轨的工程教育认证的要求,也是社会发展的需求.常州大学高分子材料与工程专业坚持以工程教育认证理念为指引,科学优化课程体系,加强师资队伍建设,提升教学平台和课程平台,推进创新创业教育,全面增强了学生的实践应用能力和创新能力培养,成效显著.实践证明,这些改革对培养高素质应用型创新人才具有显...     

中国科学院成都有机化研究所 高分子科学与材料研究发展中心

本中心主要从事功能高分子材料的基础、应用基础和相关产品技术的研究与开发。特别是在生物医用材料、储能／换能材料、智能聚合物等领域取得了一批具有国际水平的研究成果．形成了自己的研究特色和优势。     

科教融合视域下高分子材料专业综合实验教学探索与实践

基于科学技术的发展、时代的要求,教育改革势在必行,科教融合是发展的新趋势.《高分子材料综合实验》是高分子材料与工程专业的一门必修课,在学生从学校到工作岗位顺利过渡中起着重要的桥梁作用.科教融合在该门课的教学中显得尤为重要,能使学生综合能力、科学素养得到有效提升.以花生壳吸附剂的制备及其应用为例,介绍了科教融合的教学方法...     

高分子材料分析与测试课程设计与教学改革

介绍黎明职业大学高分子材料加工技术专业的核心课程《高分子材料分析与测试》的课程设计和教学改革的做法。课程以实现学生向"准员工"的转变为教学目标。通过对行业企业进行调研,确定该课程的对接岗位为质量检验岗位,工作内容为化验、质检和品管,基于岗位工作内容进行课程设计。采用项目化方式,三个工作内容分别对应以典型方法、典型产品和典型常识为项目进行模块设计。以模块任务为中心,将教师的"讲"与学生的"练"有机结合起来,综合应用提倡学生互教的交互培训法、引导学生自主学习的主题探究法、锻炼学生专业素质的四阶段技能训练法等教学方法。     

Prediction and Construction of Energetic Materials Based on Machine Learning Methods

Energetic materials (EMs) are the core materials of weapons and equipment. Achieving precise molecular design and efficient green synthesis of EMs has long been one of the primary concerns of researchers around the world. Traditionally, advanced materials were discovered through a trial-and-error processes, which required long research and development (R&D) cycles and high costs. In recent years, the machine learning (ML) method has matured into a tool that compliments and aids experimental studies for predicting and designing advanced EMs. This paper reviews the critical process of ML methods to discover and predict EMs, including data preparation, feature extraction, model construction, and model performance evaluation. The main ideas and basic steps of applying ML methods are analyzed and outlined. The state-of-the-art research about ML applications in property prediction and inverse material design of EMs is further summarized. Finally, the existing challenges and the strategies for coping with challenges in the further applications of the ML methods are proposed.