纳米超晶格热电材料的研究进展

随着热电材料制备技术和性能研究的发展，纳米超晶格热电薄膜已受到人们的关注，简要介绍了有关纳米超晶格热电材料的结构、热电机理及制作技术，并指出了存在的问题和可能的发展方向。     

信息安全服务外包管理思考

随着信息化发展的持续深入,网络和信息系统结构及支撑的应用也日趋复杂,信息安全保障的技术和管理难度不断加大,信息安全服务外包正成为重要信息系统运行管理单位的重要选择。但从近期上海市开展的重点领域网络与信息安全检查行动情况看,信息安全外包实施中存在相当多的问题和隐患。下面笔者就如何规范和管理信息安全服务外包工作谈几点认识与思考。1信息安全服务外包的产生1.1服务外包谈到信息安全服务外包,首先得谈谈服务外包的基本概念。服务外包是指企业将价值链中原本由自身提供的具有基础性的、     

球磨过程中的碰撞行为分析

本文通过对行星球磨过程的分析，研究了行星球磨过程中的磨球碰撞行为，建立了球磨工艺参数与磨球运动速度。平均自由程及碰撞频率的理论关系。结果表明：随球磨转速提高，磨球运动速度和碰撞频率将增大，装料量一定时，提高球料比，磨球运动速率和平均自由程都将减小，碰撞频率增大，装料量和球料比一定时，磨球半径愈小，磨球运动的平均自由程减减小，碰撞频率增大。     

CoSb3基Skutterudite化合物拉曼光谱研究

Skutterudite材料因具有特殊的晶体结构成为当前最有前途的热电材料之一,为深入研究填充Skutterudite化合物的热传导机制,对化合物的声子振动模式及置换、填充原子对声子模的影响进行了研究.通过对CoSb3,Co3.5Fe0.5Sb12的偏振拉曼谱研究,确认了一个Ag模,且与理论计算吻合较好.对CoSb3,Co3.5Fe0.5Sb12和La0.6Co3.5Fe0.5Sb12拉曼谱的对比研究表明,单纯Fe置换对拉曼谱影响很小,而La部分填充则使部分拉曼峰明显展宽,分析认为,这一现象主要源于填充原子在晶格空隙中的扰动.     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发，首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度；Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法控制PEMFC的工作温度，取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

Bi2Te3热电薄膜的电化学原子层外延制备

采用电化学原子层外延法(ECALE)在Au电极上成功地制备了Bi2Te3化合物热电薄膜.通过循环伏安扫描研究Te和Bi在Au衬底上的电化学特性,使用自动沉积系统交替欠电位沉积Te、Bi原子层200个循环获得沉积物.XRD、EDX和FESEM测试结果表明循环沉积200层后得到的沉积物Bi和Te的化学计量比为2:3,且是Bi2Te3薄膜化合物,而非单质Bi和Te的简单混合;薄膜均匀、致密、平整且可重复性好,以(015)为最优取向外延生长的.     

电化学原子层外延沉积碲化铋纳米薄膜研究

本文首次研究了电化学原子层外延(ECALE)法室温沉积碲化铋纳米薄膜的过程.ECALE是原子层外延的电化学模拟.它通过欠电位技术实现电化学沉积过程中的原子级的精确控制,每次只沉积一个原子层厚度,通过沉积循环的控制可以实现对沉积薄膜材料种类和厚度的控制.采用三电极和循环伏安法,分别研究确定了Pt电极上欠电位沉积金属Bi薄膜、Te在Pt电极上欠电位沉积条件以及Bi在Te表面和Te在Bi表面的交替沉积行为及其沉积参数,通过不同电位交替沉积得到Bi2Te3纳米薄膜.对薄膜的氧化剥落及其电量分析结果进一步证明了该薄膜的沉积过程是一种二维层状生长过程.     

编织重经织物时经纱张力分析

本文是研究在单针床经编机上编织重经织物。为了减少编织过程的张力，作者设计了一个测量系统。借助于信号分析技术研究了纱线的张力波动规律。结果表明，在编织过程中纱线张力呈周期性变化，在一个周期中至少有三个峰值，编织过程中成圈机件位置变化对经纱张力有很大影响，通过调整机器，成功地编出一些重经织物。     

Skutterudite热电材料的最新研究进展

首先介绍了填充式Skutterudite热电材料在成分优化方面的研究进展,再从组织结构优化以及合成低维Skutterudite材料等几个方面探讨了近年来Skutterudite类热电材料的研究状况和最新进展.     

Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.