锂离子电池耐过充添加剂的研究

环己基苯和二甲苯作为耐过充添加剂加入锂离子电池电解液中。环己基苯和二甲苯分别在4.70 V、4.66 V(vs.Li/Li+)处发生电聚合反应。聚合物几乎全部覆盖在隔膜表面,阻断了反应,改善了电池的安全性。添加5%添加剂的电池,均可耐3C1、0 V过充电,且对电池正常充放电时的电化学性能影响很小。

增强点云局部显著性特征的细粒度语义分割网

点云细粒度语义分割,即物体部件分割,在机械臂控制、智能化装配、物体检测等工业生产中有着重要的应用价值。然而由于点云数据形式散乱,导致物体部件边界处几何特征不明显且计算困难,从而致使细粒度分割精度较低,难以满足生产需求。针对点云的部件级分割,本文提出了增强点云局部显著性特征的细粒度语义分割网,网络中构建了局部数据上下文信息,提高细粒度分割精度。本网络建立了利用几何曲率改进的的最远点采样算法,增强点云局部数据子集特征计算能力;创建多尺度高维特征提取器,提取不同尺度的高维特征;在点云特征计算过程中使用seq2seq的方式,引入注意力机制,融合不同尺度的高维特征,进而获取细粒度语义分割的上下文信息。最终使得细粒度分割精度得到了有效提高,尤其是对边界处的分割效果提升显著。实验结果表明,本网络在ShapeNet Part数据集上的总体交并比达到了85.2%,准确率达到95.6%,且具有一定泛化能力。该方法对三维物体的细粒度语义分割具有重要的意义。

超级电容器电极材料纳米α-MnO_2的制备及性能

用KMnO4和MnSO4水溶液作为原料,用液相沉淀法制备无定形α-MnO2·nH2O.对样品进行比表面积测定(BET)、XRD、SEM等测试.通过循环伏安法和恒流充放电测试研究了样品的电化学行为.合成的无定形α-MnO2·nH2O在0.5mol/L的Na2SO4电解液中,在0～0.9 V(vs.SCE)范围内,电流为10 mA,2 mV/s的扫描速度下的比电容可达126.4 F/g.无定形α-MnO2·nH2O是较好的超级电容器电极材料.

锂离子电池正极材料LiFePO_4研究进展

LiFePO4作为一种新型的锂离子电池正极材料,安全性好,价格低廉,环境友好,循环性能稳定。结合本实验室的研究工作,从合成方法,表征手段,循环性能和电导率等方面综述了近年来LiFePO4的发展概况,并提出了LiFePO4进一步可能的发展趋势。

电解质对锂离子电池正极材料界面特性的影响

研究L iPF6、L iC lO4和L iBF43种电解质对L iCoO2材料界面特性的影响.结果表明:化成后的L iCoO2表面存在固态电解质膜(SEI膜);在不同成分的电解液中,L iCoO2表面SEI膜的形成电位、形貌特征以及材料的可逆容量、平均放电电压和电化学反应阻抗不同.

深基坑桩锚支护结构和土体之间协同作用

目前深基坑桩锚支护结构的研究已引起学者的高度关注,支护结构与土体之间协同工作的研究仍然是一个亟待深入研究的课题。以桩锚支护结构与土体相互作用体系为研究对象,考虑桩后土抗力与锚杆拉力共同作用,建立静力平衡方程,在前人总结的桩锚变形协调条件的基础上,对其进行改进,并与变形协调条件的其他3种算法对比。结果表明,改进的方法更能反映桩锚支护结构受力变形的实际情况,由此算得的锚杆设计拉力较其他方法算得的锚杆设计拉力偏大,这是因为克服了前述方法中忽略锚杆倾角、增大了锚杆的伸长量以及未考虑桩锚实际受力状态的缺点。结合工程实例,应用FLAC^(3D)模拟的桩身内力与改进方法算得的桩身内力基本吻合,说明改进方法的优越性。

考虑接触面厚度的桩土相互作用研究

土与支护结构相互作用的问题已引起学者的高度关注,对该领域的研究也有了新的突破。但考虑接触面厚度的桩土相互作用,无论是在计算模型的建立上还是在计算方法的选取上,都有待商榷。在考虑接触面厚度后,用刚–塑性理论模拟桩后土体,把塑性区域内的土体用串联的弹簧单元来模拟;在此基础上推导预应力锚杆支护桩的挠曲线微分方程,并用有限差分法计算桩身内力。结合工程实例,用PLAXIS软件进行数值验证,与用上述方法算得的桩身弯矩进行对比,发现计算结果略大于模拟结果,原因可能是串联弹簧个数不够导致的,说明弹簧个数必有一个最优值。通过分析对比,进一步说明该计算模型的可行性。

基于空间图卷积的三维点云语义分割

随着科技智能化建设需求的提高,语义分割技术受到图形、图像领域内学者的广泛关注,其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此,提出一种基于空间图卷积的三维点云语义分割网络(PCGCN)。PCGCN采用边缘图卷积网络提取局部特征,并使用残差网增强特征的传递,对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题,同时,点云深度学习网络中,残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验,实验结果表明,PCGCN在ShapeNet数据集的准确率达到85.1%,在S3DIS数据集的准确率达到81.3%。