考虑量子化效应的MOSFET栅电容减小模型

基于改进后的三角势阱近似和n型多晶硅的耗尽以及MOSFET的强反型的情况,建立了一个考虑量子效应的栅电容模型.分别对反型层电容和耗尽层电容进行定义、分析和计算,给出了MOSFETs栅电容解析表达式,并与数值模拟结果进行了比较.结果表明该模型是基于物理的解析模型,具有相当精度,便于电路模拟与设计.     

部分重叠双栅MOSFET特性的研究

研究一种具有部分重叠双栅结构MOSFET器件模型,并将其与类似的分裂双栅结构MOSFET及普通栅结构MOSFET器件进行比较,利用MEDICI软件对该结构进行仿真.通过仿真可知:部分重叠双栅MOSFET器件通过沟道电场的调节,可降低短沟效应和等效栅电容、提高击穿电压,跨导可由栅压调节,阈值电压随沟道缩短而下降的变化率在文中讨论的3种结构中最小.     

低掺杂多晶硅薄膜晶体管阈值电压的修正模型

对低掺杂多晶硅薄膜晶体管的表面势进行分析,将表面势开始偏离亚阈值区、沟道电流迅速增加时所对应的栅压作为晶体管的阈值电压.考虑到多晶硅薄膜的陷阱态密度为单指数分布,通过对低掺杂多晶硅薄膜晶体管的表面势进行求解,推导出一个多晶硅薄膜晶体管阈值电压解析模型,并采用数值仿真方法对模型进行了验证.结果表明:新模型所得到的阈值电压与采用二次导数法提取的阈值电压相吻合.     

杂质纵向高斯分布UTBB-SOI MOSFET的虚拟阴极阈值电压解析模型

采用Sentaurus Process工艺仿真工具,验证了超薄硅膜内单次纵向离子注入并快速热退火后所实现的轻掺杂杂质分布符合高斯规律。设计杂质纵向高斯分布的轻掺杂纳米UTBB-SOI MOSFET,用虚拟阴极处反型载流子浓度来定义阈值电压的方法,为器件建立二维阈值电压解析模型。通过与Sentaurus Device器件仿真结果对比分析,发现:阈值电压模型能准确预测器件在不同掺杂、器件厚度和偏置电压下的阈值电压,正确反映器件的背栅效应,其模拟结果与理论模型相符。     

Al_2O_3/SiN_X 双层绝缘栅 a-Si : H TFT 的研究

研究Ａｌ２Ｏ３／ＳｉＮＸ双层绝缘栅对ａ－Ｓｉ∶ＨＴＦＴ性能的影响，介绍Ａｌ２Ｏ３／ＳｉＮＸ双层绝缘栅的制作方法．双层绝缘栅结构有效地抑制了单层绝缘栅的针孔效应，改善了短接现象，提高了有效介电常数，从而可减小膜厚，提高栅电容，使得阈值电压降低、开态电流上升，获得了１０７的开关电流比．     

大面积薄栅MOSFET的V_T与D_(OX)的关系研究

本文研究了大面积薄栅M OSFET的阈值电压与栅氧化层厚度的关系。实验结果表明,在薄栅情形(d_(ox)=135～312 )中,阈值电压随着栅氧化层厚度的减少而下降;阈值电压的一维模型仍然适用于大面积薄栅MOSFET。     

低掺杂多晶硅TFT阈值电压的确定和提取

通过对低掺杂多晶硅薄膜晶体管表面势的分析, 建立基于物理过程的阈值电压模型。当其表面势偏离亚阈值区时沟道电流将迅速增加,将此时所对应的栅压定义为阈值电压。基于多晶硅薄膜的陷阱态密度为单指数分布,通过对表面势进行化简与求解,建立了解析的阈值电压模型。器件数值仿真结果表明,采用二次导数法所提取的阈值电压值与本文所提出的阈值电压模型较好的匹配。     

深亚微米SOI MOSFET阈值电压特性研究

在建立SOI MOSFET阈值电压模型的基础上,对其阈值电压特性进行了研究,分析了阈值电压与硅膜掺杂浓度、前栅、背栅氧化层厚度、温度的关系.     

对称双栅高斯掺杂应变Si金属氧化物半导体场效应管的二维解析模型

基于扩散、阈值调整和离子注入等工艺过程导致器件的沟道区的掺杂分布不均匀,提出对称双栅高斯掺杂应变硅MOSFET器件,并对其相关特性进行研究。通过对沟道二维泊松方程求解建立该器件结构的表面势和阈值电压模型,分析弛豫SiGe层的Ge组分和掺杂偏差σn对表面势和阈值电压的影响。此外,还对比分析高斯掺杂对称双栅应变硅MOSFET器件和均匀掺杂对称双栅应变硅MOSFET器件的表面势和阈值电压。研究结果表明:阈值电压随应变Si膜中Ge组分的增加而降低;表面势和阈值电压随偏差σn的增加而减小;高斯掺杂对称双栅应变硅MOSFET器件和均匀掺杂对称双栅应变硅MOSFET器件的表面势和阈值电压相差较大,表明非均匀掺杂对器件表面势和阈值电压等影响较大。     

Al2O3／SiNx双层绝缘栅a—Si：H TFT的研究

研究Ａｌ２Ｏ３／ＳｉＮｘ双层绝缘栅对ａ－Ｓｉ：Ｈ ＴＦＴ性能的影响，介绍Ａｌ２Ｏ３／ＳｉＮｘ层双绝缘栅的制作方法，双层绝缘栅结构有效地抑制了单层绝缘栅的针孔效应，改善了短接现象，提高了有效介电常数，从而可减小膜厚，提高栅电容，使得阈值电压降低，开态电流上升，获得了１０＾７的开关电流比。     

抽汲井试井分析数学模型的建立及精确解

根据抽汲井试井工艺过程及其特点,采用已知上一次抽汲结束时的地层压力分布规律建立下一次抽汲数学模型的方法,建立了抽汲井试井分析数学模型,并在Laplace空间求解出了相应的精确解。将这一成果应用于长庆油田之中,结果表明:该理论能描述抽汲井的井底压力瞬变性及抽汲期井底压力变化无规律性的特征,符合实际测试工艺情况,弥补了抽汲井试井这一空白;提高了该类井试井的解释率和解释结果的可信度。同时,利用该理论还可计算抽汲过程中任一时刻的井底压力和关井时刻的井底压力,解决了抽汲井难以计算关井时刻井底压力的问题。     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

三维水平井轨道设计最优控制模型改进的进化规划方法

针对三维水平井井眼轨道设计问题 ,建立了一个非线性最优控制模型。该模型以设计轨道总长度最短为性能指标 ,以非线性动力系统为约束条件 ,通过对非线性动力系统积分 ,将最优控制模型转化为一个非线性规划问题求解。为了求非线性规划问题的全局最优解 ,在附加一个目标函数小于当前目标函数值的约束条件下 ,用改进的进化规划方法寻找新的可行点策略 ,提出了一种新算法。将非线性最优控制模型及算法应用到实际水平井轨道设计中 ,数值结果证明了该模型及算法的正确性和有效性     

基于微观结构的软土变形计算模型

 基于土体微观结构演化建立其土体沉降计算模型是值得探索的新方法和新途径。研究首先从室内固结试验和三轴固结试验出发,研究不同荷载条件下软土微观结构变化与固结变形特征;并运用图像处理技术,提取微观结构参数,分析微观结构参数与荷载、变形和强度之间的关系,建立基于微观结构的软土沉降计算模型;最后,将这一模型应用于实际工程中,计算结果与监测值对比分析表明：二者具有较好的一致性,验证了该模型的实用价值。     

神经网络专家系统在试井解释中的应用

论述了应用专家系统和人工神经网络自动识别试井解释模型的新方法．首先应用人工智能对试井解释模型的压力导数图进行识别，建立了用专家系统构成模块式识别系统；然后应用人工神经网络实现试井解释模型识别；该系统能根据新的试井资料识别试井解释模型；最后，神经网络和专家系统相结合用于试井解释．油田实际试井数据的识别结果说明该方法是一种非常有效的识别方法，对不完全的，有噪声的试井数据也能有效地识别，识别准确率较其它方法都有较大提高     

盲自适应多用户检测方法研究

提出了一种新的盲自适应多用户检测技术方案，给出了相应的接收机模型，并对其进行了计算机仿真，结果表明：这种盲自适应多用户接收机具有比传统RAKE接收机更好的抗干扰性能．     

考虑应力敏感和边界层效应的页岩油油藏渗流模型研究

由于页岩油储层孔隙结构复杂,原油渗流过程中存在明显的多尺度效应,而储层中存在应力敏感效应和边界层效应对原油渗流特征影响使得其流动机理更加复杂。基于毛细管模型,结合边界层和应力敏感理论,建立了页岩油储层渗流新模型并进行了验证。根据新模型分析了应力敏感效应、边界层效应对页岩油渗流特征的影响。研究结果表明：页岩油新渗流模型与渗流实验结果拟合性好,具有较高可靠性;边界层效应和应力敏感效应是影响潜江页岩油储层渗流特征的主要因素;对于含有微裂缝和溶蚀孔的页岩油储层,应力敏感效应是影响储层渗流特征的主控因素;随着压力的梯度的增加,影响渗流特征的因素由边界层和应力敏感效应的综合作用所决定。通过该研究,加深了影响页岩油油藏渗流特征相关因素的认识,为合理开发页岩油油藏提供了理论依据。     

燃料电池发动机优化控制的建模与蚂蚁算法研究

以某燃料电池发动机为原型,将神经网络辨识方法应用到其非线性系统的建模中.仿真结果表明,方法可行,建立的模型精度较高.在此模型的基础上,为了缩短发动机在常温启动时的暖机时间(升温至正常工作温度范围)和提高其输出功率以及在高温怠速加速时,保持其升温的平稳性和缩短达到额定输出功率的时间,将蚂蚁算法应用于发动机的优化控制问题.最后通过对模型的测试,采用蚂蚁算法优化后的控制方法基本达到了要求目标,与传统PID控制方法相比较,显示了其优越性.     

基于在线学习优化动态模型库的多模型自适应控制

提出一种通过在线学习优化动态模型库的方法. 当子模型数量增长达到设定规模时, 根据动态模型库中各子模型与实际对象的匹配程度, 选取匹配程度最低的旧模型删除, 并添加新建子模型, 从而维持动态模型库在设定规模以内, 解决了在线学习建立动态模型库子模型数量不断增长的问题, 避免了子模型数量的过度增长而引起的计算量增加和性能下降, 并通过仿真证明了算法的有效性.