磁电阻效应的研究进展

氧化物巨磁电阻效应在物理研究和磁存储、读写等实验应用方面的重要性,使得对该领域的研究成为当今凝聚态物理学和材料科学学中最前沿的领域之一.     

焦炭固定床燃烧氮氧化物排放实验研究

为降低锅炉NO的排放,研究焦炭在固定床中燃烧时的氮氧化物排放特性,分析焦炭数量对NO排放的影响。在其他条件不变的情况下,取焦炭质量分别为0．5、1．0和2．0g的煤样进行燃烧实验。结果表明：焦炭燃烧NOx排放与燃烧过程密切相关,在固定床中有还原层存在时,NO排放处于低水平稳定状态。随着焦炭还原层的消失,NO转化率迅速增加。在设计层燃燃烧锅炉时。加大燃煤炉中焦炭层的厚度．可以降低锅炉NO的排放．焦炭层厚度增加4倍．NOx排放降低73．86％．     

用于透明计算的基于块粒度数据一致性方法

为了解决透明计算系统中的数据不一致问题,提出一种基于块粒度的数据一致性方法。该方法按需为每个用户创建独立的私有虚拟映像,将用户对系统虚拟映像的修改透明地转换为对用户私有映像的修改,并记录系统虚拟映像中被修改的数据和用户私有映像中相应数据的对应关系,保证每个用户能够访问各自最新的数据,从而解决了上述数据不一致问题。性能测试表明,采用该方法的透明计算系统性能优于同等配置的PC和其他类似系统,可以满足透明计算的需求。     

低速运动导电介质中电磁波的传导效应研究

研究了运动媒质中电磁波传播的传导性效应 ,并得到了菲涅耳公式的修正式     

氧化铜公度与非公度反铁磁相变的比热研究

利用微机控制的扫描比热量热系统对氧化铜样品从液氮温度到室温作了精细的比热测量,实验在２２７Ｋ和２２１Ｋ附近检测到两个明显的比热反常,其起始转变分别发生在ＴＮ１＝２３１Ｋ和ＴＮ２＝２１３Ｋ,这两个温度值和中子磁散射室验的结果非常吻合。结合人们对ＣｕＯ单晶的中子散射实验,本文指出这两个比热异常分别对应于氧化铜非公度和公度和反铁磁,从非公度到公度的反铁磁转变为一级相变,而顺磁态到非公度反铁磁相的转变为二级相交,Ｔ＝２３０Ｋ处比热跃变量为２．３Ｊ／（ｍｏｌ·Ｋ）。     

透明转发器卫星通信系统在干扰条件下的互调分量

研究了有干扰时透明转发器卫星通信系统中的互调分量。首先，对有干扰时硬限幅条件下窄带系统的互调分量和DS扩频通信系统中的相关互调分量进行了理论分析；然后，针对实际系统，建立了系统仿真模型，进行了计算机性能仿真，通过对仿真结果的分析，得到一些结论。研究成果对了解透明转发器卫星通信系统在强干扰条件下存在的互调分量的影响及其量化结果，从而设计具有针对性的卫星通信抗干扰系统具有实际意义。     

P型透明导电氧化物CuAlO2的研究进展

CuAlO2作为一种天然的P型透明导电氧化物(TCO)成为近年来P型TCO的研究热点. 介绍了CuAlO2近几年最新的研究进展, 简述了不同的制备方法及其优缺点, 综述了对其光电、热电等性能的研究状况, 对CuAlO2掺杂前后性能改变的研究进展做了详细介绍, 并提出了CuAlO2未来的研究方向.     

神奇材料与2000年诺贝尔化学奖

讨论了神奇材料——导电聚合物又称“合成金属”的发现与 2 0 0 0年诺贝尔化学奖的关系 ,介绍了导电聚合物的广泛应用及其前景 ,说明了这一伟大发明是科学家通力合作研究的结晶 ,对美国科学家艾伦·黑格 (Alan Jay Heeger,1 936 -) ,艾伦·马克迪尔米德 (Alan Graham Mac Diarmid,1 92 7-)和日本科学家白川英树 (Shirakawa Hideki,1 936 -)授予 2 0 0 0年诺贝尔化学奖 ,也是对从事导电聚合物研究领域内所有科学家研究成果的肯定与认可 ,这一领域将是未来十分活跃的新材料研究领域     

中频磁控溅射法制备氧化锌钇薄膜及其性能研究(英文)

利用中频磁控溅射法,溅射氧化锌钇(ZYO)陶瓷靶材,在玻璃基底上制备ZYO透明导电薄膜。研究了氧化钇掺杂量和基底温度对薄膜的结构、电学性能和光学性能的影响。结果表明,ZYO薄膜为钎锌矿型结构,呈c轴择优取向,平均可见光透过率(400～800nm)达到80%以上。制备的ZYO薄膜具有的最低电阻率为1.18×10-3Ωcm。     

面向复合材料带隙预测的两段式集成学习模型构建

带隙是钙钛矿型复合氧化物材料重要的特征参数, 对材料的物理化学性质起决定性作用, 如导电性能和光电性能等. 为了寻找适合不同应用领域的钙钛矿型材料, 利用机器学习进行带隙预测是一种重要的研究手段. 构建了一个两阶段异质集成学习模型, 在第一阶段使用多种不同的基础机器学习器(回归模型)进行预测; 在第二阶段把对预测结果影响较大的描述子和基础机器学习器进行集成学习.利用该模型对 210 种钙钛矿型复合氧化物材料的带隙进行预测, 并与多种独立的机器学习算法以及不同集成策略模型的预测性能相对比, 评估了本模型的预测性能. 结果表明, 这种两段式的集成学习模型能够更好地学习到材料数据的内在关系, 并具有较好的预测效果和较强的泛化能力.