多杂质氢系统网络设计

为将目前氢网络设计方法主要采用的单杂质系统网络设计规则推广至多杂质系统网络,在考虑了杂质浓度对系统影响的基础上,给出了多杂质氢系统网络的设计规则和设计步骤.4条设计规则是针对氢源、氢阱与夹点的相对位置来确定不应存在的匹配.为了确定不同杂质源阱间能否匹配,提出了不同杂质源阱间匹配的混合规则,即氢源中至少应存在一股氢源的各种杂质浓度乘积小于或等于氢阱中对应的各杂质浓度乘积,源阱间才能进行匹配.多杂质氢系统设计的方法考虑了杂质对网络设计的影响,并通过氢气网络实例进行了验证.     

多杂质氢气分配网络优化

利用三角图示法确定具有多杂质约束的氢气分配网络的目标值并提出相应的网络设计步骤。引入了层次分析法,用以确定具有多杂质约束条件下氢源的选用次序和氢阱的匹配次序。案例分析中,首先调整浓度数据的数量级,无因次化并重新归一化,进而可以在三角图中合理表征源的存在域、阱的可行域;然后进行源阱的匹配,可以确定出可行解域,从而获得氢源氢阱的匹配网络,同时考虑压缩机的配置,可确定最终优化的氢气分配网络。经过优化之后,氢公用工程用量由17.079×103 Nm3/h减少为14.125×103 Nm3/h,节氢率达到17.29%。案例分析结果验证了该方法的可行性。     

像势对量子阱中类氢杂质结合能的影响

在有效质量近似下，利用变分方法研究了像势对量子阱中类氢杂质结合能的影响。计算中考虑到了阱和垒中电子有效质量的不同。数值计算结果表明：阱和垒中质量的不连续只对阱宽较窄的区域有影响，而像势则在整个区域都有影响．对于阱和垒中介电常数之比较大和阱宽较小的量子阱，考虑像势对阱中杂质结合能的修正是非常必要的     

配网重构与电容配置的改进模型及优化算法

为降低配电网中无功功率损耗,提高电压质量和保持网络的稳定性,提出了一种配网重构与电容器配置的改进模型和优化算法,即以网损最小为目标函数,运用正倒向随机潮流法进行潮流计算,并对二进制粒子群算法进行改进,克服了先前迭代的粒子信息难以传递至下一次迭代以及粒子位置更新结果不准确的缺陷,从而实现对配网重构和电容配置的同步优化.在IEEE 16节点配电网系统上运行和测试,找到最优重构和配置的方法,并在MATLAB R2010软件环境中编写算法进行仿真计算,比较5种不同优化方案.研究结果表明,该算法每次迭代计算更新了全局最优和个体最优,可获得全局最佳的网络状态,与其对应的电压分布和功率损失也达到最佳.     

极性半导体异质结构中束缚极化子的电离能

本文研究任意磁场存在下阶梯阱内类氦杂质的极化子效应,我们分别给出了束缚在类氦施主杂质中心的单个和双个极化子在磁场中的哈密顿,计算了它们对类氦杂质束缚能的影响.结果表明,势垒的高度、量子阱的宽度以及杂质中心在阱中的位置对束缚能都有重要的影响,并且阶梯阱的存在也增强了极化效应.最后,我们将对这一结果进行合理地解释.     

有限厚势垒量子阱中杂质态结合能

利用变分法对有限厚势垒GaAs/AlxGa1-xAs量子阱结构中杂质态结合能进行数值计算,给出杂质态结合能随阱宽、垒厚和杂质位置的变化关系,且与无限厚势垒情形进行比较.结果表明,有限厚势垒杂质态结合能明显小于无限厚势垒情形.同时,在中间阱宽时,这两种情形的杂质态结合能差别最大,在宽阱时,差别最小.此外,还考虑电子有效质量、材料介电常数及禁带宽度随流体静压力变化对杂质态结合能的影响.     

一种基于标准单元芯片电源线网的静态电压降的分析方法

提出了一种对基于标准单元芯片计算其电源线网的静态电压降的分析方法.该方法通过计算每个标准单元的功耗得到其电流源模型,然后采用导线电阻模型和标准单元等效电流源模型生成电路网络,运用逐次块松弛迭代方法求解由上述网络生成的改进节点法方程.仿真结果表明,所提出的方法能与SPICE达到同样的精度,且计算速度更快,使用内存更少.     

InGaN/GaN多层球形核壳结构量子点中类氢杂质态的结合能

在有效质量近似下,采用有限差分法研究了 InGaN/GaN/InGaN/GaN球形核壳量子点中类氢杂质基态和激发态的结合能,数值计算了杂质态结合能随量子点核半径、壳层厚度和阱宽的变化关系.结果表明,核半径和阱宽对杂质态结合能的影响显著,随着核半径的增加,结合能先减小后增大,而后递减且逐渐趋于单量子点的结合能;而随着阱宽...     

量子阱中中性施主束缚激子的性质

在有效质量近似下,采用两参数波函数变分地计算了杂质在阱心和阱边两种情况下,量子阱中中性施主束缚激子(D0,X)体系的束缚能和激子质心波函数对于不同阱宽随坐标的分布及粒子间的平均距离随阱宽的变化,得到了较好的结果,并对结果进行了详尽的分析和讨论.     

基于前推后代法解决环网的配电网潮流计算

基于叠加原理计算少环配电网潮流的方法,将少环配电网络分解为两个网络:纯辐射网络和纯环状网络.对两个网络分别进行求解潮流,再将两个网络的计算结果叠加后再迭代求出整个网络的潮流.最后的程序开发和数据演算,验证了该计算方法具有收敛速度快、迭代次数少、节省内存的优点.