“碳化硅功率半导体技术”专题前言

半导体功率器件(即电力电子器件)是电力电子技术的三大核心基础之一,被比作电力电子装置的“CPU”。现有功率器件多采用Si基或SOI基,但是受限于自身材料特性的影响,在节能与转换效率方面越来越显示出他们的局限性。为解决上述问题,半导体功率器件除了继续对传统器件进行新理论和新结构的创新研究外,也正在遵循“一代材料、一代器件、一代装置、一代应用”的发展趋势,从传统的Si基和SOI基向宽禁带半导体SiC和GaN基进行扩展和延伸。     

线上线下混合"计算机控制技术"教学改革

本文结合"计算机控制技术"课程的授课内容和学校的创新应用型人才培养目标,探索了一种线上线下混合式教学模式,将传统的线下课堂知识点传授与现代线上多媒体、多平台的信息共享、在线视频会议等相互融合,实践表明该教学模式有效调动了学生的学习积极性和主动性,获得了良好的授课效果.     

下扬子地区下志留统风暴沉积特征及风暴作用对泥页岩品质的影响

近年来在下扬子地区页岩气地质调查井所获取的地层岩心资料，揭示该地区下志留统风暴沉积较为发育。基于精细的岩心观察描述，详细分析了下扬子地区下志留统高家边组下段中上部风暴沉积的特征，并阐明了风暴作用对泥页岩的影响。研究表明：研究区风暴岩岩性偏细，以粉砂岩为主，石英含量较高，结构成熟度较低，具2种不同的粒度概率曲线；主要发育底部冲刷面、块状层理、平行层理、丘状交错层理、波纹交错层理、准同生变形构造等沉积构造；垂向上主要识别出4种风暴沉积序列，均具有从底到顶粒度变细的沉积特征，不同的沉积序列与风暴流能量的强弱有关。下扬子地区早志留世频繁的风暴活动与研究区的古地理背景和古气候条件具有内在联系。特大型风暴对浅海陆棚深水区的细粒泥质沉积物特征产生重要影响，包括降低有机质含量、减少单层厚度、破坏垂向连续性、改变原始沉积构造和侧向稳定性等，总体上降低了泥页岩的品质。因此，研究认为在页岩气的勘探和评价过程中应重视风暴因素对陆棚深水区原始泥质沉积物的影响。     

溶液浓差能驱动的逆电渗析反应器制氢实验研究

低品位热能制氢技术首先是将热能转换为溶液浓差能，然后通过逆电渗析（RED）反应器将溶液浓差能转换成氢能。为了验证RED反应器能将溶液浓差能转换为氢能，探索关键运行参数变化对能量转换过程的影响。设计了一个由40个膜对所构成的RED反应器，以NaCl水溶液为工作溶液，NaOH水溶液为电极液的制氢系统。通过改变浓/稀溶液入口浓度，溶液过膜流速以及输出电流来考察对RED反应器产氢率、制氢效率和能量转换效率的影响。实验结果发现，浓/稀溶液入口浓度，过膜流速变化均会影响RED反应器的输出电流。在外电路短接条件下，输出电流越大，反应器产氢率和制氢效率越高，但能量转换效率越低。     

表面活性剂对低渗透油藏渗吸的影响

采用不同类型的表面活性剂进行自发渗吸实验,并对表面活性剂改善岩石润湿性、降低界面张力的能力进行了分析。实验结果表明,阴离子型表面活性剂改善润湿性的能力好于其他类型的表面活性剂,且在岩心中的自发渗吸效果最好,这是由于阴离子型表面活性剂改善润湿性的机理为离子对形成机理,强于阳离子的吸附机理;接触角是决定渗吸能否发生的决定性因素,只有接触角小于70°时渗吸才能发生;界面张力影响渗吸速度和最终采出程度,对于渗透率为1 mD的岩心,最佳界面张力为10~(-1) mN/m。     

奉节(古缶皿)子鸡

<正>位于瞿唐峡口的奉节,美食云集,其中最特别的就是竹园镇的(古缶皿)子鸡。因奉节白帝城又名子阳城,(古缶皿)子鸡也被称为子阳鸡和紫阳鸡。这道菜的炊具与食材都与众不同,充斥着浓烈的下川东气息,历史悠久,被列入重庆市第三批非物质文化遗产名录。烹饪(古缶皿)子鸡的炊具叫气(古缶皿)子,2012年出版的第6版《现代汉语词典》中对"(古缶皿)"字的解释是"周围陡直的深锅"。事实上,由土陶烧制而成的子比字面解释要复杂得多,将(古缶皿)子从底部翻转,可以看到(古缶皿)壁为夹层,上部有很多通往(古缶皿)内的气孔。在奉     

改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。