摘要：具有多种晶体结构的钒化合物具有较高的理论容量,被认为是一种很有前途的水系锌离子电池阴极材料,但由于钒化合物锌离子扩散缓慢,结构稳定性差,限制了其进一步发展。本文通过简单一步水热法设计合成了Mn(VO3)2-NaV8O20异质结纳米带,并通过静电自组装法将聚苯胺(PANI)薄膜包覆在纳米带表面,制备出Mn(VO3)2-NaV8O20@PANI(PMNVO)复合材料,在两种策略协同作用下,实现了高效离子-电子协同传输,获得了高锌离子传输速率、高储锌性能、晶体结构稳定水系锌离子电池(AZIBs)阴极材料。实验结果表明,两种晶体间的异质结界面增强了锌的电荷转移动力学,改善了锌的扩散动力学,纳米带形貌提供了更多的反应活性位点。此外,与PANI复合,材料导电性增强,晶体结构更稳定,使得PMNVO具有优异的储锌性能及电化学动力。具体测试结果为,当PMNVO的电流密度为0.2 A/g时,比容量为417.6 mAh/g;在1 A/g下,初始比容量为360.3 mAh/g,200次循环后的容量保持率为91.0%;在8 A/g下,初始比容量为189.3 mAh/g,3000次循环后的容量保持率为99.3%,倍率性能优异且循环寿命较长;表观扩散系数为4.97×10^(-11)~1.87×10^(-10)cm^(2)/s,电化学动力学良好。本文为AZIBs阴极材料的设计提供了一个范例。

摘要：通过对锂离子电池容量退化轨迹的精确预测可以大幅提升电池材料的研究效率。针对Transformer网络在锂电池容量退化轨迹预测这种长时间序列预测任务中存在的问题,本工作采用滑动窗口策略,构建了一种基于Informer网络的锂离子电池容量退化轨迹预测方法。首先,利用滑动窗口对数据集进行划分和再拼接,便于神经网络挖掘数据序列内部的相关性;然后,根据Informer网络的周期性时间特征捕捉能力设计适用于锂电池数据的全局时间戳;最后,使用前10%容量数据通过多步滚动预测方法实现模型输出,缓解预测中的误差累积问题,进而得到完整的预测轨迹。通过选取不同的误差评价指标和训练过程中的时间开销,在美国马里兰大学提供的锂电池数据集上验证了所建立模型的准确性和训练效率,并在美国航空航天局提供的电池数据集上验证了模型的泛用性。本工作模型的预测结果与多层感知机神经网络、循环神经网络及Transformer网络模型对比,退化轨迹与真实轨迹最为拟合,且训练时间开销小,预测结果的平均绝对误差和均方根误差控制在2.57%和3.5%,验证了所提预测方法的有效性。

摘要：针对原镁生产过程中存在的技术水平低、能源消耗大、环境污染严重等共性技术难题,研究并设计了新型半连续电内热法竖式炼镁炉。该炉型具有竖式大容积炉体、多热源发热体内部加热、自动控制实现机械化作业和电能加热等特点。试验结果表明,其具有高能效、高效率、低污染等优点。

摘要：设计基于有限元的行程可调液压油缸活塞杆断裂力学性能测试方法。以行程可调液压油缸断裂的活塞杆为研究对象,采用有限元分析软件构建液压油缸活塞杆有限元模型。从宏观形貌、拉伸性能、硬度及粗糙度等方面,测试了行程可调液压油缸活塞杆的断裂力学性能。结果表明:经过拉伸和硬度测试发现,试件的弹塑性较差;粗糙度变大是导致行程可调液压油缸活塞杆发生断裂的主要原因;断裂试件的纵向残余应力变化较大,断裂后为504 MPa。

摘要：液压缸密封圈磨损原因较多,难以通过肉眼直观观察,很难找到直接原因,提出基于有限元的液压缸密封圈磨损量分析方法。基于液压缸密封圈几何模型、材料模型和物理模型,分析了橡胶密封圈在应力和应变上的非线性,通过定义应变密度函数,构建了液压缸密封圈的有限元模型。根据液压缸活塞的密封结构,分析了液压缸活塞的运动特点,利用Archard模型描述密封圈的外观特征变化,通过计算密封圈接触面上任意一点的磨损深度,分析液压缸密封圈的磨损量。试验结果表明,所研究方法可以对液压缸密封圈的裂纹深度与裂纹扩展角度进行有效分析,两项指标的试验分析与实测结果基本一致,裂纹深度的试验分析误差最大值仅为0.002 mm。方法有助于提高液压缸设计的密封可靠性。

摘要：激光熔覆再制造是实现绿色开采的重要环节。实现激光熔覆材料组分对熔覆层性能影响的预测可以减少材料设计过程中的试错成本,提高研发效率。针对矿用液压油缸激光熔覆材料,通过灰色关联度分析法,筛选出Fe基激光熔覆材料中对熔覆层性能影响较大的组分,建立3层反向传递(back propagation,BP)神经网络模型进行训练和预测;利用遗传优化算法对BP神经网络初始权值和阈值进行优化,并将优化后的遗传算法-反向传递(genetic algorithms-backpropagation,GA-BP)神经网络模型与BP神经网络模型的预测结果进行对比。结果表明:遗传优化算法可以大幅度提高BP神经网络模型的预测精度,在少量训练样本条件下,模型输出的预测值与实际值接近,预测误差从5.60%~710.37%降低至2.04%~18.43%,证明了GA-BP神经网络用于液压油缸激光熔覆层性能预测的可行性。