Li_(1·2)V_3O_8的制备及电化学性能

采用溶胶-凝胶法制备了锂离子电池正极材料Li1.2V3O8。用TEM、XRD、SEM和粒径分布实验,研究了样品的结构和形貌;用循环伏安和恒流充放电技术,测试了电化学性能。结果表明:与高温固相法制备的样品相比,溶胶-凝胶法制备的样品具有较低的结晶度、较小的粒径、较窄的粒径分布范围和较高的放电比容量。在300℃时制备的样品,D50为2.711μm,首次放电比容量为300.2mAh/g,循环20次后的放电比容量为268.2mAh/g。

锂离子电池正极材料Li_(1+x)V_3O_8合成及电化学性能的研究

利用液相沉淀法合成得到超细、粒径分布窄的球形V2O5，以该V2O5和LiOH·H2O为原料在较低温度下煅烧得到棒状Li1＋xV3O8颗粒。采用XRD、SEM对样品的结构和形貌分别进行了表征。并在电压为1．8～3．8V范围，放电倍率为0．2C对制备的电极材料进行了电池性能测量。结果表明，采用比传统固相法低的温度和时间可以获得单斜晶系的纯相L1＋xV3O8。450℃合成的Li1＋xV3O8首次放电比容量达到275mAh／g，550℃合成的Li1＋xV308在循环15次后的比容量保持率为85％。

锂离子电池纳米钒基正极材料的研究进展

锂离子电池因为其较高的能量密度、优良的循环性能及较强的荷电保持能力被广泛应用于便捷式电子器件中。同时作为混合动力汽车(HV)和电动汽车(EV)潜在的电源设备也被广泛地研究,但是,目前其电化学性能还不能完全满足高能量密度、大功率的要求。主要是因为商品化和即将进入开发性研究的正极材料大多是嵌锂过渡金属氧化物,这些正极材料存在致命的本征制约——较低的比容量。钒基正极材料,如V2O5、LiV3O8和Li3V2(PO4)3等,由于可以嵌入多个Li+离子,从而具有较高的理论比容量,但受材料微结构的影响,这类材料的实际比容量远低于理论值。材料微结构纳米化,可以形成独特形貌,获得高比表面积,缩短Li+离子的扩散距离,使这类材料的实际比容量接近理论值,从而有可能在能量的高效率储存中扮演十分重要的角色。本文作者重点综述钒基正极材料的主要晶体结构特点和相关纳米材料合成方法、结构表征及其对应电化学性能的研究进展。

Ag^+-掺杂锂钒氧化物的合成及其电化学性能

报道了用V2O5湿凝胶、Li2CO3和Ag2CO3通过液相反应合成用于锂离子电池正极材料的Ag+ LiV3O8。其前驱体和产品分别利用热分析(DTA TG)、扫描电镜(SEM)、X射线衍射(XRD)、红外光谱(IR)技术进行表征。其电化学性能通过恒电流充放电、循环伏安法和交流阻抗技术进行研究。实验表明,活性材料在不同的放电倍率和1.8～3.6V的电压范围内具有较高的首次放电容量;在0.15C循环250次后保持180mAh/g的放电容量。

非接触式笼养蛋鸡核心体温检测方法

针对笼养条件下蛋鸡核心温度测量工作效率低下的问题,提出了一种利用红外热图像结合深度学习的蛋鸡核心温度检测方法。首先通过采集172只蛋鸡的10994幅红外热图像制作数据集,利用目标检测网络YOLO v8s提取作为感兴趣区域(Region of interest,ROI)的鸡脸图像;再利用改进的深度卷积神经网络对提取的蛋鸡ROI图像以及实时采集的蛋鸡泄殖腔温度进行回归预测。实验显示,目标检测算法的检测准确率达到99.38%,平均精度均值达到99.9%,召回率达到99.87%,3项评价指标均高于YOLO v4s、YOLO v5s、YOLO v7、YOLOX-s目标检测算法;在深度卷积神经网络算法上,同时将MobileNetV3、GhostNet、ShuffleNetV2、RegNet、ConvNeXt、Res2Net以及MobileVIT共7种分类模型修改为回归模型,利用蛋鸡ROI图像进行训练,其中,Res2Net模型对蛋鸡核心体温估测拟合效果最好,在测试集上估测的决定系数R^(2)为0.9565、调整后决定系数R^(2)_(adj)为0.95631,均高于其他回归模型;为进一步提高预测精度,在Res2Net50回归模型的Bottle2block结构之后分别插入SE(Squeeze-and-excitation)模块、CBAM(Convolutional block attention module)模块、CA(Coordinate attention)模块、ECA(Efficient channel attention)模块,其中利用CA模块改进后的算法在测试集上的R^(2)为0.97364、R^(2)_(adj)为0.97352,均高于其他改进方法;利用目标检测网络和回归网络搭建蛋鸡核心体温估测模型,对9只蛋鸡进行体温估测试验,结果显示ROI均能完整找出,且估测体温平均绝对误差(Mean absolute error,MAE)为0.153℃。因此,本研究提出的目标检测+深度神经网络模型为红外热图像下蛋鸡核心温度预测提供了较好的自动化检测方法。