排序方式: 共有82条查询结果,搜索用时 15 毫秒
21.
22.
采用wolframite前驱物法制备了Pb(Sc1/2Nb1/2)O3陶瓷。通过调节陶瓷烧结工艺,获得了三种具有不同B位离子有序度的PSN陶瓷。测量了三种陶瓷样品在室温至160°C范围内的Raman光谱随温度变化。结果表明,随着温度的升高,三种不同B位有序度的陶瓷样品中,Raman光谱中位于530 cm-1的F2g模的峰位和半峰宽分别在100°C,85°C和80°C发生了突变,表明陶瓷分别在100°C,85°C和80°C三个温度点发生了铁电-顺电相变。上述结论得到了介电温度谱测量数据的支持。 相似文献
23.
采用磁控溅射法制备的La1-xSrxMnO3(LSMO)/TiO2异质pn结表现出很好的整流特性.室温电流电压特性曲线显示随着Sr掺杂的增加,扩散电压增大,这可能由于Sr掺杂的增加导致载流子浓度增大所致.电流电压变温特性曲线显示随着测量温度的降低,扩散电压增大,这可能由于随着测量温度的变化导致界面电子结构的变化所致.值得提出的,异质pn结电阻随温度变化曲线表现出单层LSMO的金属绝缘相变特性,并且在低测量温度时表现出随着测量温度的降低结电阻增大,这可能是由于宽带隙的TiO2的引入导致. 相似文献
24.
用SiC薄膜作防氚渗透阻挡层的研究 总被引:7,自引:0,他引:7
采用分步偏压辅助射频溅射法在316L不锈钢表面制备SiC薄膜,作为聚变堆第一壁及包层结构材料的氚渗透阻挡层,扫描电镜观察表明,制备的膜致密,均匀,且与基体结合牢固。X射线衍射分析表明,膜具有(111)面择优取向的β-SiC微晶结构。傅里叶变换红外光谱分析发现,对应于β-SiC的Si-C键存在伸缩振动吸收峰,采用中间复合过渡层技术,可以提高SiC膜与不锈钢基体的结合强度。测量了500℃时带有SiC膜的316L不锈钢的氚渗透率,与表面镀钯膜的316L相比,氚渗透率减低因子(PRF)值达到10^4以上,溅射时衬底偏压和射频功率要影响膜的结构,从而影响PRF值,根据分析结果,从不同的膜制备工艺中初步筛选出了合适工艺。 相似文献
25.
为使通信卫星能够正常工作于所谓Van Allen辐射带,必须发展一种具有强抗辐射能力的太阳电池.本文设计研究外延了漂移机制单晶薄膜InP太阳电池,测量了其光谱响应,结果表明该电池在325nm到632nm之间有高于50;的内量子效率,在253nm也有较好的响应.有望获得高效率的应用于AM0条件的InP太阳电池.此外,实验结果还表明该设计可以应用于短波光探测器. 相似文献
26.
27.
28.
利用磁控溅射和Sr成分的调制以及原位热处理方法,在10mm×10mm大小的(001)取向SrTiO3单晶衬底上制备出三明治结构为La0.7Sr0.3MnO3(100nm)/La0.96Sr0.04MnO3(5nm)/La0.7Sr0.3MnO3(100nm)的隧道结外延薄膜,然后再次利用磁控溅射方法,在三层单晶膜上方继续沉积Ir22Mn78(15nm)/Ni79Fe21(5nm)/Pt(20nm)等金属三层膜.最后利用深紫外曝光和Ar离子束刻蚀等微加工技术,制备出长短轴分别为12和6μm或者8和4μm大小的椭圆形La1-xSrxMnO3成分调制的复合磁性隧道结.在4.2K和外加磁场8 T的测试下,La1-xSrxMnO3成分调制的复合磁性隧道结其隧穿磁电阻(TMR)比值达到3270%,直接从实验上证实了铁磁性La07Sr0.3MnO3金属氧化物的自旋极化率(97%)可接近100%,具有很好的半金属性质. 相似文献
29.
采用基于密度泛函理论(DFT)的第一性原理计算研究了 (Ba0.5Sr0.5)TiO3 (BST) 晶体在高压下的电子结构及能带变化行为. 研究结果发现,随着压强的增加,BST能带间隙先增加,在压强为55 GPa时达到最大值,然后减小,这些有趣的结果将有助于开发与设计新的BST铁电器件. 进一步地,通过电子态密度和密度分布图的研究分析可知:在低压区域(0
55 GPa),则是出现的离域现象占主导(电子的离域作用超过键态的作用),从而使带隙减小. 关键词: 钛酸锶钡 第一性原理 高压 能带间隙 相似文献
30.
蒲黄炭是由香蒲花粉炮制而成,具有止血、化瘀、通淋等多种功效,被广泛应用于临床抗血栓,创面和出血。然而蒲黄炭在炒炭过程中,常常会出现炭化过轻或者炭化过重的现象,从而出现不同炭化程度的蒲黄炭药品,主要为轻度炭化、标准炭化与重度炭化三种不同的蒲黄炭药品。由于炭化程度不同,蒲黄炭的凝血效果优劣不等,其中标准炭化的蒲黄炭药品药效最优。目前,鉴别蒲黄炭药品的方法多为人工凭借肉眼与经验进行判别。基于人工的蒲黄炭药品判别方法判别效率低,受主观因素影响大,判别结果不稳定,难以区分出标准炭化的蒲黄炭。为有效地对不同炭化程度的蒲黄炭进行识别,提出一种基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法。该方法创新性地结合深度学习与机器学习算法,有效利用卷积神经网络强大表征提取能力的同时通过投票决策提升算法模型的泛化能力与鲁棒性。首先通过近红外光谱技术获取蒲黄炭的近红外光谱,并通过卷积神经网络分别提取样本经过四种预处理方法所得到光谱图的高阶特征,并计算预测结果。按照样本准确率与损失值为四种预处理方法分配相应权重得到蒲黄炮制品预测模型。该模型将所得到的四种预测结果结合权重共同投票出样本的最终结果,从而鉴别出蒲黄炭的炭化程度。实验结果表明所提方法可以有效判别蒲黄炮制品的炭化程度。当训练集所占样本比例为80%时,预测准确率达到95.4%。所提方法与传统卷积神经网络方法、线性判别分析方法以及标准正太变量变换-线性判别分析方法相比预测准确率分别提高8.6%,4.3%和2.6%。同时,所提方法具有一定的稳定性,当训练集所占样本比例大于70%时,测试准确率高于90%;当训练集比例仅占10%时,预测准确性仍然能够达到约80%。 相似文献