纳米线高应变率拉伸超塑性

应用分子动力学方法,采用嵌入势EAM与Buckingham势,对金属Cu、半导体化合物CuInSe2和陶瓷化合物MgO纳米线进行拉伸模拟,考察其拉伸应力-应变曲线,并分析拉伸过程中的结构变化.发现当以高于临界应变率的速率对纳米线进行拉伸时,纳米线由脆性断裂向韧性断裂转变,且其延伸率可以超过100%,表现出超塑性的特性,而以较低应变率拉伸时,纳米线仍然表现为脆性断裂,这表明纳米线材料的超塑性对于应变率高度敏感.通过观察纳米线在拉伸过程中的结构变化,发现高应变率拉伸时由于CuInSe2与Cu纳米线晶体结构发生非晶化,在这一转变过程中大量能量被吸收,因而导致其塑性变好.而MgO纳米线则发生面心立方结构向环形结构的相变,相变的发生同样导致了能量的吸收,从而使其塑性大大改善.     

氧在La/SrMnO3（001）表面吸附、解离和表面扩散的第一性原理

采用基于密度泛函的第一性原理的方法,同时结合Nudged Elastic Band方法,系统研究O原子和O2分子在La/SrMnO3(001)表面的吸附过程。给出O2分子在MnO2、LaO和SrO外表面的解离路径和势垒;研究O原子在三种表面的扩散过程,计算出各扩散路径的势垒和最稳定的吸附位置的基本情况。在此基础上,通过比较解离、扩散和放氧环节的激活能数据,提出O2的解离和表面放氧过程均为速率控制步骤。进一步为La/SrMnO3作为固体阴极材料时决定性能的第一步吸附反应提供理论数据的支持.     

LaMnO3/SrMnO3超晶格应变下的电磁性质

采用基于第一性原理的密度泛函理论研究正交超晶格结构LaMnO3/SrMnO3 (LMO/SMO)晶格结构、轴向应变及电磁结构的影响.理论计算结果表明,LMO/SMO随a、b、c及ac方向的轴向应变变化均是铁磁性状态比反铁磁性状态更稳定.Sr掺杂后,LMO正交结构仍保留明显的晶格畸变,SMO的面心立方结构的晶格畸变增加,Mn的3d态及O的2p态在不同的轴向应变下更加复杂.Mn的3d态轨道分波态密度随着负应变的增大,自旋向上和自旋向下态密度趋向于对称,磁性趋向于零.     

氟化度及单轴应力对氟化石墨烯结构稳定性和能带的影响

采用基于密度泛函数理论的第一性原理,通过计算研究了四种(Chair、Zigzag、Boat、Armchair)双面全氟化石墨烯(N_C∶N_F=1∶1)构型,发现Chair型氟化后的石墨烯构型最稳定。在此基础上,系统研究了以Chair形式氟化时不同氟化度和单轴应力对氟化石墨烯结构稳定性与能带的影响.计算结果表明:氟化度越高氟化石墨烯结构越稳定,且双面氟化石墨烯较单面氟化更稳定。对构造的全氟化石墨烯体系沿X方向施加压(拉)应变时,石墨烯体系的起伏高度随单轴应变的增加而减小,导带底和价带顶均发生微小移动、带隙逐渐减小,带隙在轴向压应力作用下减小得更快.     

硝酸剥蚀对纳米铜粉在润滑油中分散特性的影响

对纳米铜粉进行硝酸剥蚀和表面改性,研究剥蚀程度和表面改性剂的用量对纳米铜粉分散性能的影响.应用X射线衍射(XRD)、透射电镜(TEM)和傅里叶红外光谱(FI-IR)对剥蚀和改性后纳米铜粉的组成、颗粒大小、表面状况进行表征.结果表明:硝酸剥蚀可以起到细化纳米铜粉颗粒的作用,聚乙烯吡咯烷酮(PVP)在对纳米铜粉表面改性的同时抑制Cu2O的产生.剥蚀改性后的纳米铜粉的分散稳定性明显优于未剥蚀改性的纳米铜粉.     

Cd_(1-x)Zn_xS热学性质的理论研究与设计

CuInSe2太阳能薄膜电池的窗口层材料CdS常掺Zn以降低剧毒元素Cd的使用量.本文应用晶格动力学方法,采用玻恩核-壳经典势参数模型,全面系统地研究了闪锌矿结构Cd1-xZnxS(x=0,0.25,0.5,0.75,1)在不同温度和压力下的晶体结构、力学和热学性质.计算了不同Zn掺杂浓度时的弹性模量、声子态密度、热容、热膨胀系数、格林艾森常数和德拜温度.结果表明:Cd1-xZnxS的晶格常数随掺杂浓度x的递增单调递减.随温度升高,无论是定容热容还是热膨胀系数都逐渐增大并趋于饱和;在某一温度时,二者都随Zn掺杂浓度的增加而略有增加.随掺杂浓度x从0增大到1,0K温度时,Cd1-xZnxS的格林艾森常数从0.78增加到0.94,而德拜温度最小值从约197K增大到约203K.一些实验或模拟结果与作者课题组的数据相符.期望系统的原子模拟研究结果将有助于理解该材料的成分-性能相关性,同时也有助于设计CuInSe2太阳能薄膜电池具有合适热匹配的窗口层材料.     

用神经网络-遗传算法优化 Ni 基喷涂材料

利用人工神经网络的自学习以及非线性逼近能力对材料元素与硬度的相关性进行拟合和预测；并用遗传算法的强寻优能力对喷涂材料成分进行优化．优化结果与非学习Ｎｉ基喷涂材料配方相比较表明，神经网络能对Ｎｉ基喷涂材料的性能进行较好地拟合和预测，而遗传算法则能在不同的样本区间对材料进行优化，二者的有机结合可进一步提高材料优化与设计的有效性．