全文获取类型
收费全文 | 167篇 |
免费 | 46篇 |
国内免费 | 57篇 |
专业分类
化学 | 95篇 |
晶体学 | 5篇 |
力学 | 26篇 |
综合类 | 5篇 |
数学 | 22篇 |
物理学 | 117篇 |
出版年
2024年 | 2篇 |
2023年 | 11篇 |
2022年 | 19篇 |
2021年 | 6篇 |
2020年 | 6篇 |
2019年 | 14篇 |
2018年 | 8篇 |
2017年 | 6篇 |
2016年 | 12篇 |
2015年 | 11篇 |
2014年 | 18篇 |
2013年 | 5篇 |
2012年 | 10篇 |
2011年 | 7篇 |
2010年 | 8篇 |
2009年 | 6篇 |
2008年 | 10篇 |
2007年 | 12篇 |
2006年 | 2篇 |
2005年 | 7篇 |
2004年 | 8篇 |
2003年 | 10篇 |
2002年 | 4篇 |
2001年 | 7篇 |
2000年 | 4篇 |
1999年 | 4篇 |
1998年 | 4篇 |
1997年 | 7篇 |
1996年 | 3篇 |
1995年 | 8篇 |
1994年 | 2篇 |
1993年 | 1篇 |
1992年 | 3篇 |
1991年 | 6篇 |
1990年 | 2篇 |
1989年 | 5篇 |
1987年 | 1篇 |
1986年 | 4篇 |
1985年 | 1篇 |
1984年 | 2篇 |
1965年 | 2篇 |
1956年 | 1篇 |
1955年 | 1篇 |
排序方式: 共有270条查询结果,搜索用时 15 毫秒
41.
42.
43.
以Al2O3和碳粉为原料,采用碳热还原法制备了AlN粉体,探讨了原料摩尔比、合成温度和保温时间等因素对AlN粉体合成的影响.通过XRD,SEM等测试对粉体进行了表征.在1650℃保温4h,合成出粒径约为1~5μm的纯AlN粉末,原料粒度越细越有利于AlN的生成,C/Al2O3摩尔比应略大于3.以石蜡为主粘结剂,通过热压铸成型方法成型AlN陶瓷散热罩素坯,经低温排胶、无压烧结工艺后得到高导热率AlN基陶瓷散热罩.研究了素坯排胶过程及陶瓷烧结过程的影响因素,排胶过程中缓慢升温至300℃,可避免素坯坍塌;排胶后素坯在1800℃无压烧结4h制得的AlN陶瓷LED散热罩密度为3.24 g/cm3,室温热导率高于100 W/m·K. 相似文献
44.
采用离子液体1-丁基-3-甲基咪唑双(三氟甲烷磺酰)亚胺盐([Bmim][TFSI])辅助合成了Fe3O4纳米粒子,研究了其磁、电化学方面的性能,并利用X射线衍射仪(XRD)、扫描电子显微镜(SEM)等对样品进行了表征.实验结果表明:以该离子液体为稳定剂合成的Fe3O4纳米粒子平均直径约为20 nm,且形貌均一,在室温下表现出超顺磁性,饱和磁化强度为68.13 emu/g.将所得Fe3O4纳米粒子应用于锂离子电池负极材料,在电流密度为0.1 A/g条件下,首次充放电比容量分别高达1025 mAh/g和1428 mAh/g. 相似文献
45.
We present a simulation for the reconstruction of the rotational quantum state of linear molecules to retrieve the density matrix. An optimal approach in the sense of minimal error limit is proposed, in which a variable set of angular frequency is properly chosen and the least square inversion is then applied. This approach of reconstruction from time-dependent molecular-axis angular distribution is proved adaptable for various object states, which has a good numerical stability independent of the selected rotational space. 相似文献
46.
磁性材料是信息时代重要的基础材料,不同的磁性基态是磁性材料广泛应用的前提,其中铁磁基态是高性能磁性材料的关键要求.本文针对材料项目数据库中的无机磁性材料数据,采用机器学习技术实现无机磁性材料铁磁、反铁磁、亚铁磁和顺磁基态的分类以及无机铁磁性材料磁矩的预测.提取了材料的元素和结构属性特征,通过两步式特征选择方法分别为磁性基态分类和磁矩预测筛选了20个材料特征,发现材料特征中的电负性、原子磁矩和原子外围轨道未充满电子数对两种磁性性能具有重要贡献.基于机器学习的随机森林算法,构建了磁性基态分类模型和磁矩预测模型,采用10折交叉验证的方法对模型进行定量评估,结果表明所构建的模型具有足够的精度和泛化能力.在测试检验中,磁性基态分类模型的准确率为85.23%,精确率为85.18%,召回率为85.04%, F1分数为85.24%;磁矩预测模型的拟合优度为91.58%,平均绝对误差为0.098μB/atom.本研究为无机铁磁性材料的高通量分类筛选与磁矩预测提供了新的方法和选择,可为新型无机磁性材料的设计研发提供参考. 相似文献
47.
48.
49.
50.