GaAs/InP的键合界面热应力分析

采用双层条状金属热应力模型,用MATLAB方法对退火过程中GaAs/InP晶片间的应力和双轴弹性形变能进行模拟和分析。结果表明:将InP剪薄至200μm,GaAs剪薄至175μm,剪应力取得了一个相对的小值,而剥离应力更是被完全消除,这时正应力也相对较小。而按照一定的比例适度剪薄两侧晶片的厚度,可以使得两侧的双轴形变能减小到原来的一半以下。通过减薄键合晶片的厚度可以得到较好的键合质量。另外,不管那一种应力都随退火温度的升高而快速增加,所以实验中一定保持低的退火温度,通常小于300°C为宜。     

薄荷醇的制备及对映体拆分研究进展

l-薄荷醇是目前最有工业价值的手性化合物之一,在医药、食品、化妆品和手性试剂制备等领域广泛应用。天然薄荷醇由于受天气和环境影响,产量和质量波动很大,合成薄荷醇则可以克服以上缺点。本文综合评述并比较了近年来国际上薄荷醇的合成与拆分技术研究的最新进展,并重点介绍了dl-薄荷醇的微生物酶法拆分技术及我们在薄荷醇拆分方面的研究进展。     

Ⅲ-V族材料制备多结太阳电池的研究进展

讨论了采用Ⅲ-Ⅴ族化合物材料制备多结太阳电池时的材料选择和实现方案,重点探讨了采用渐变缓冲层、引入InGaAsN等新材料以及直接键合等三种方法。其中,采用渐变缓冲层结构的Ge/Ga0.35In0.65P/Ga0.83In0.17As三结太阳电池,转换效率提高到41.1%。而采用直接键合技术设计的InGaP/GaAs/InGaAsP/InGaAs四结太阳电池,以及应用InGaAsN等新材料设计的五结以上太阳电池,其转换效率还有可能达到新的高度。此外,一些创新技术,例如电池的反向生长技术、转移层技术以及将GaAs的量子阱结构和量子点应用于多结太阳电池,都为太阳电池效率的进一步提高提供了新的契机。     

塑料薄膜拉伸强度不确定度评定

本文利用电子万能试验机,对塑料薄膜进行了拉伸强度的测试,探讨分析了影响塑料拉伸强度的四个主要因素,即重复性测量,电子万能试验机示值误差,试样尺寸测量,以及数据结果的修约,最后计算得到塑料薄膜拉伸强度的扩展不确定度。     

介电常数对比和填充率对光子晶体中光子禁带和局域态的调节

用有限时域差分法(FDTD)和Padé近似分析了二维光子晶体的能带结构和缺陷引起的局域态.针对介电常数对比和填充率对完整光子晶体中光子禁带以及缺陷态的影响作了研究.计算了不同缺陷的光子晶体模式的振荡频率和质量因子.数值模拟的结果表明通过改变介电参数对比和填充率可以实现对光子禁带的位置、宽度、数目以及对缺陷态的调整.     

牛奶豆腐研制

本文对牛奶豆腐的生产工艺进行了探讨,采用四因素三水平的正交实验确定了牛奶豆腐的最佳生产工艺条件。牛奶的添加量为１０％、葡萄糖－δ－酸内酯（ＧＤＬ）的用量为０．３０％、加热时间２０ｍｉｎ、加热温度８０℃。     

面包保温剂的研制

本研究采用β－环状糊精，油脂，水等制成一种涂抹型面包保湿剂。实验结果表明：使用本保湿剂可有效防止面包在干燥环境下以失水变硬现象。     

10×10InGaAsP/InP阵列波导光栅器件的研制

研制了脊形波导结构的10×10InGaAsP/InP阵列波导光栅器件(AWG),并采用掺铒光纤放大器(EDFA)作宽带光源测量了AWG的近场图以及分光特性。     

研究式教学在生物分离工程课中的应用与探索

研究式教学是培养21世纪创新人才的一种重要的教学模式,笔者以生物工程专业的主干理论课程"生物分离工程"为例,在以学生为主体的教学思想指导下,开展研究式教学。在结合多年的教学实践和经验的基础上,探讨了研究式教学的组织形式,包括理论课程与实验课程,提出以研究性实验促进学生综合能力培养,拓展学生的创新能力的思路。     

机器学习算法诊断PET/CT纵膈淋巴结性能评估

评估4种主流典型的机器学习方法（随机森林、支持向量机、AdaBoost、反向传播人工神经网络）对（¹⁸F-FDG） PET/CT影像中非小细胞肺癌纵膈淋巴结良恶性进行诊断分类的性能.先从168例病人的PET/CT影像中分割出1 397个淋巴结,对每个淋巴结提取出13种图像特征（D_short、area、volume、HU_mean（2D or 3D）、HU_contrast（2D or 3D）、SUV_mean（2D or 3D）、SUV_max（2D or 3D）、SUV_std（2D or 3D））;将提取出的13种图像特征进行组合,得到4种组合变量（“All features”、“High AUC features”、“Doctor's features”、“3D features”）;在4种组合变量下,分别从敏感性、特异性以及ROC曲线下的区域面积（AUC_ROC）3个方面对随机森林、支持向量机、AdaBoost、反向传播人工神经网络定量地进行诊断性能评估.评估结果显示,4种分类器分割结果的敏感性为77%~84%,特异性为81%~84%,AUC_ROC为0.86~0.90.在显著性（p<0.001）条件下对比发现,虽然机器学习方法的特异性略低于人类专家,但是敏感性显著优于人类专家.研究结果表明,三维图像特征及PET/CT影像组合特征可以显著提高AUC_ROC.基于上述研究结果可以得出结论,虽然4种机器学习方法在（¹⁸F-FDG） PET/CT影像的非小细胞肺癌纵膈淋巴结的良恶性诊断中展现了不错的敏感性,但它们的特异性有待进一步提高,在未来需要尝试多种分类方法进行联合实验,使用更高级的机器学习方法如深度学习进行进一步的研究.