新型Ni3Al/石墨高温固体自润滑材料的制备及其性能

采用熔炼法, 制备出新型Ni3Al/石墨抗高温、耐腐蚀固体自润滑材料.结果表明: Al不仅是强化合金基体的元素, 而且是一种使片状石墨转变为球状石墨的球化剂; 铝与氧结合成渣降低了氧在石墨表面的吸附.建立了界面能和过冷度对石墨生长形态影响的动力学模型; 分析表明, 石墨在洁净的液态金属中结晶, 由于(1010)棱面与(0001)基面的温度回升速率的差异, 促使石墨球状生长.石墨经球化处理后, 材料的冲击韧性得到提高; 将该材料与GCr15轴承钢及45﹟退火钢进行干摩擦磨损时, 摩擦因数分别为0.36和0.40.     

甘氨酸-硝酸盐法合成高烧结活性氧化铈电解质粉体

用甘氨酸-硝酸盐法合成了适用于中低温固体氧化物燃料电池的电解质材料Ce0.8Gd0.05Y0.15O1.9,主要分析了甘氨酸/硝酸根比值对燃烧合成过程、制得粉体结构、粒度和形貌的影响,并对其烧结性能作了评价.     

Sn-Sb包晶合金的快速凝固

设计了一种用于Sn-Sb等滑动轴承合金的无容器接触深过冷快速凝固装置.并以热流分析为基础,利用传热模型和物理模型计算了Sn-16%Sb(质量分数)过包晶合金在本装置中的冷却速度.结果表明:在粒子直径为4mm时,粒子的冷却速度为3.1×102K/s;当粒子直径为0.1mm时,冷却速度达到了105K/s.Sn-Sb包晶合金组织显著细化,初生相SnSb化合物高度弥散化.     

分子模拟在材料科学中的研究进展

从分子水平研究材料的开发和设计是21世纪材料科学与工程的一个重要方向.综述了分子模拟中的Monte Carlo分子模拟和分子动力学模拟2种方法及其在材料科学中的应用,概述了目前国内外分子模拟的研究进展,评述了当前使用的数学模型的特点及局限性,展望了分子模拟技术的发展方向.     

内啮合齿轮泵隔离装置的平衡

为实现内啮合齿轮泵在较高压力下拥有较高的容积效率,提出了一种带有径向补偿功能的新型高压内啮合齿轮泵隔离装置,装置采用内部扩大高压腔的技术方法.为了使隔离装置获得更好的平衡,根据过渡区的压力分布规律,推导出装置中月牙块在过渡区的液压力、补偿力和支反力的计算公式,建立了平衡约束条件,以扩大过渡区直至仅有二个轮齿齿槽为算例,利用Fmincon工具优化箱求得最佳补偿腔对应中心夹角,利用Matlab建模仿真得到平衡状态下装置中月牙块的受力变化曲线.对理论排量为50.8 ml/r的齿轮泵,在输入压力为0.3 MPa,输出压力为21.8 MPa,温度为50℃±4℃条件下进行跑合试验,结果表明,其容积效率可达94.3％,无明显异常磨损.     

过冷对石墨生长形态的影响

采用熔炼方法，研究了Ni-石墨合金在不同冷却条件下石墨的生长形貌。结果表明：随着过冷度增大，石墨逐渐由片状形态向球状形态转变。提出石墨在生长过程中由结晶潜热引起棱面与基面的温差是影响其生长形态的重要因素。建立了石墨表面温度变化速率与过冷度及界面能之间的数学关系。计算结果表明，在没有杂质元素的影响下，过冷度越大，越利于石墨(0001)基面的生长，随着S，O等元素的增加，石墨棱面的界面能逐渐降低，有利于片状石墨的生长。球化剂Ce，Mg等元素与S，O反应后，重新使石墨棱面的界面能提高，有利于球状石墨的成长。     

甘氨酸-硝酸盐法合成高烧结活性氧化铈电解质粉体

用甘氨酸-硝酸盐法合成了适用于中低温固体氧化物燃料电池的电解质材料Ce0.8Gd0.05Y0.15O1.9，主要分析了甘氨酸，硝酸根比值对燃烧合成过程、制得粉体结构、粒度和形貌的影响，并对其烧结性能作了评价。     

流延-共烧法制备掺杂氧化铈基阳极／电解质双层结构

采用甘氨酸／硝酸盐（GNP）法合成了具有较高烧结活性的Ce0.8Gd0.05Y0.15O1.9（GYDC）粉体，通过流延-共烧法制备了NiO—GYDC阳极／GYDC电解质双层结构。结果表明：GYDC电解质薄膜经过1400℃保温4h后可烧结致密，说明GNP法制备的GYDC粉体的烧结活性较高；通过流延．共烧法可以成功制备外观完好、平整的NiO-GYDC／GYDC双层结构，满足SOFC的组装要求。     

NiO包覆YSZ固体氧化物燃料电池阳极材料的制备研究

采用包覆沉淀法制备NiO包覆YSZ阳极粉。用包覆沉淀法在YSZ颗粒表面均匀包覆一层氧化镍，600℃下煅烧得到NiO-YSZ固体氧化物燃料电池阳极粉。应用此材料制备的SOFC阳极在1400℃烧结4h。经过SEM扫描电镜分析，高温电导测试，用这种方法制备的SOFC阳极中，NiO分布更加均匀，YSZ、NiO交替排布并有效的连接在一起，使阳极结构得到优化，电池性能提高。     

基于分子动力学结合神经网络的Au表面能计算方法

利用嵌入原子模型,采用分子动力学方法计算了贵金属Au低指数晶面及部分简单高指数晶面的表面能.同时,采用Levenberg-Marquardt算法,建立了Au表面能的BP神经网络模型;结合分子动力学模型的计算数据,通过大量数据的自学习训练,完成神经网络模型对Au高指数晶面表面能的预测.计算结果表明:该方法具有较高的预测精度,能正确预言低指数晶面表面能的排序,Au各晶面的表面能随其晶面与(111)密排面夹角的增大呈现先增大后减小的特点.