超声辅助液相合成多晶SnS纳米粉

本文以Na2S·9H2O和SnCl2·2H2O为反应源物,采用超声辅助液相合成法制备SnS纳米粉.用XRD、TEM和TED等方法对粉体样品进行了表征,检测结果表明粉体样品为具有斜方晶体结构的SnS纳米微粒,其平均晶粒尺寸约为15～25nm.论文还简要讨论了超声波对SnS纳米粉形成的影响,分析认为超声辅助手段的加入有利于多晶SnS纳米粉的形成.     

VHF-PECVD法制备氢化硅薄膜及单结电池

利用VHF-PECVD分解硅烷和氢气的混合气体来制备本征微晶硅薄膜.运用拉曼散射和X射线衍射研究了不同硅烷浓度对薄膜的影响.随着硅烷浓度的增加,沉积速率和光敏性增加而晶化率下降.将优化的本征材料应用到pin电池中,得到本征层厚度约为1μm的微晶电池,效率达5.87;.     

助剂Cu、K对F-T合成铁基催化剂作用的表征研究

采用连续共沉淀和喷雾干燥技术相结合的方法制备了一组Cu、K助剂单独或同时加入的微球状Fischer-Tropsch（F-T）合成铁基催化剂,借助低温N2吸附、MES、XRD、H2-TPR、CO-TPR研究了Cu和K助剂对催化剂织构、还原性能以及还原和炭化过程中的物相变化的影响。结果表明,K助剂的加入能明显提高催化剂的比表面积和铁物相在催化剂中的分散程度,增加了Fe2O3与SiO2间的相互作用;当催化剂在H2和合成气中还原时,Cu助剂的加入有利于催化剂的还原和Fe3O4的生成,在CO中还原时,Cu助剂的加入则有利于α-Fe的生成和稳定化。在H2和合成气中,单独K助剂的加入会抑制催化剂的还原或炭化,而Cu和K助剂的同时加入在H2、CO和合成气下均可使催化剂的还原或炭化能力明显提高,表明Cu和K助剂间存在一定的协同作用。     

采用EPR谱和TEM对YSZ单晶辐照损伤的研究

 利用电子顺磁共振(EPR)谱和透射电子显微镜(TEM)研究了YSZ单晶的辐照效应。200 keV的Xe和400 keV的Cs离子注入［111］取向的YSZ单晶中,注量均为5×10¹⁶ cm^-2。EPR结果表明辐照产生了共振吸收位置g‖=1.989 和 g⊥=1.869、对称轴为［111］的六配位Zr³⁺顺磁缺陷。Cs辐照产生了比Xe 离子辐照多约150倍的六配位Zr³⁺顺磁缺陷。两种样品的剖面电子显微分析表明没有发现非晶化转变,但是Cs离子辐照的样品在损伤集中区域产生了密度较高的缺陷。因此,EPR谱和电子显微观察均说明在相同离位损伤(约160 dpa)的情况下,Cs离子辐照比Xe 离子辐照产生了更多的缺陷。造成这一现象的原因是Cs离子是化学活性的而Xe 离子却是惰性的。     

基于高光谱成像的小麦白粉病与条锈病识别

小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375～1 017 nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550～680 nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。     

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。     

混凝土箱梁相似模型结构噪声对比分析*

为探讨混凝土箱梁噪声的时变特性,以京沪高铁32 m混凝土简支箱梁为原型,制作了1:10的缩尺模型,通过模态试验的方法验证箱梁模型与原型的相似关系,通过声学试验验证箱梁声学计算模型的正确性。然后,建立了箱梁缩尺模型与原型两种计算模型,利用有限元和边界元法求出两种模型的瞬态结构噪声。研究发现,箱梁缩尺模型与箱梁原型的材料参数满足一定关系,模型试验的方法能够验证箱梁模型与箱梁原型之间符合相似关系,箱梁模型的振动噪声测试结果能真实反映原型振动噪声水平。两种模型的结构噪声在时域内声压级及对应场点的声压存在一定相似关系。该研究可为箱梁缩尺模型结构噪声反演至箱梁原型提供依据,所采用的方法和得到的结果对桥梁结构振动与声辐射实验研究具有参考作用。     

轴向脉冲磁场增强金属射流侵彻穿深能力的因素

为掌握轴向脉冲磁场对金属射流的作用规律,基于破甲弹金属射流对目标的作用原理及磁场与金属射流之间的相互作用关系,设计了励磁线圈对破甲弹金属射流作用的试验系统,并开展了相关实弹试验,突破了金属射流形成和励磁线圈脉冲电流产生之间时序匹配的关键技术,得出了使金属射流发生有效变形的合理储能电容器组电参数和励磁线圈结构参数。试验结果表明,当电容器电压为5 kV、电容为1 200 μF、励磁线圈长度为50 mm时,破甲弹金属射流对目标靶板的侵彻穿深增量最大,破甲效果最佳;各因素对破甲弹金属射流侵彻穿深能力影响程度由大到小分别是电容器组充电电压、电容器组电容、线圈长度。研究成果为破甲弹威力电磁增强技术可行性论证、原理试验及励磁线圈结构设计提供了重要的理论和技术支撑。     

氮掺杂石墨烯的制备及其在化学储能中的研究进展

石墨烯独特的二维空间结构使其具有优异的导电性能、力学性能以及超大的比表面积,被认为是颇具潜力的新型储能材料,是目前储能研究的热点之一。 但是石墨烯易团聚、表面光滑且呈惰性而不利于与其它材料的复合,导致其应用受到限制。 石墨烯掺氮可改变其电子结构,增加表面的活性位,从而提高其应用于储能器件时的电化学性能。 本文综述了近几年氮掺杂石墨烯的制备方法以及其在超级电容器、锂离子电池、锂空电池以及锂硫电池等化学储能领域中的应用,指出了目前氮掺杂石墨烯在制备和储能应用中关注的核心问题,并对氮掺杂石墨烯的发展前景进行了展望。     

基于有限体积法数值模拟双撕裂模非线性演化

以磁流体理论为基础,采用基于有限体积法的通量差分分裂格式数值求解具有双曲保守律形式的电阻磁流体方程组。编写C++程序对平板几何位形下的等离子体双撕裂模进行了长时间数值模拟,得到双撕裂模不稳定性的演化图景,捕捉到了双撕裂模非线性发展过程中磁场重联的几个典型阶段,讨论了等离子体电阻和两个有理面之间的距离对双撕裂模不稳定性非线性发展的影响。为研究磁流体动力学提供了一种可行的高精度数值算法。