生物形态多孔氮化钛陶瓷的碳热氮化法制备

研究了以生物模板(木炭)浸渍TiO2溶胶,高温碳热-氮化制备TiN陶瓷的工艺过程.应用热力学原理计算了经溶胶浸渍后形成的TiO2/C复合体系的氮化条件,确定了N2,CO分压对氮化温度的影响.采用碳热氮化法,在高浓度的氮气压力下反应烧结制备了具有生物形貌的多孔TiN/C陶瓷.结果表明在1400℃,4 h,0.5 MPa氮气压力下,得到了具有立方晶体结构的TiN/C多孔陶瓷,并保留了木材模板的显微结构.     

注模凝胶热压法制备Al2O3(YAG)/LaPO4层状陶瓷复合材料

选择Al2O3(YAG)作为基体片层材料,LaPO4作为界面层材料.采用凝胶注模成型技术制备出基体层材料的坯片,然后在基体层坯片上采用浸渍或喷涂工艺附着界面层材料,最后将坯片叠置于模具中热压烧结.制备的陶瓷复合材料微观结构均匀,基体片层厚度为110 μm～150 μm,界面层厚度为10 μm～30 μm,实测层厚比为11.重点研究了工艺参数及界面层成分对层状陶瓷复合材料室温性能的影响.结果表明氧化物基层状陶瓷复合材料的抗弯强度比基体材料略有下降,但室温断裂韧性达到了13.52 MPa.m1/2,是基体材料断裂韧性的3倍.还对比了氧化物基层状陶瓷复合材料与基体材料在断裂过程中裂纹扩展路径的差异.     

小尺寸钛酸钡粉体的制备与表征

以不同比例无水及八水合氢氧化钡混合物为钡源，并以钛酸四异丙酯为钛源，采用改进的氢氧化物．醇盐法常压下回流10h可得到的颗粒尺寸分布窄，平均粒径约13nm的钛酸钡粉体。借助XRD及TEM对粉体物性进行了表征。实验结果表明，该法制得的钛酸钡粉体为亚稳态立方晶相晶体，晶粒尺寸随钡源中无水氢氧化钡含量的增加或反应温度的降低而减小；降低钡源中无水氢氧化钡的含量及提高反应温度均有利于加快钛酸钡粉体的生成速率。     

不同pH值和F-浓度人工唾液对钛/瓷结合的影响

研究了不同pH值和F-浓度人工唾液对钛/瓷结合性能的影响.将实验室制备的钛瓷粉分层烧结于钛片上,浸泡于37℃,pH2.7、pH7.0/F-100 μg·mL-1与pH2.7/F-100 μg·mL-1的人工唾液中,测量了浸泡7d和30d试件的三点弯曲结合强度,应用扫描电镜观察了瓷剥脱后钛表面的形貌,并进行了EDX分析.结果显示:pH2.7/F-100 μg·mL-1组试件的钛/瓷结合强度明显低于未浸泡组,其余各组与未浸泡组相比无显著差异.研究结果提示:酸性环境中,F-的存在可使钛/瓷结合强度降低,而酸性环境和低浓度的F-环境对钛/瓷结合强度则没有明显影响,口腔内有钛瓷修复体的患者应慎用含氟口腔产品.     

LiBH4／Mg复合氢化物的储氢性能研究

通过球磨LiBHdMg，使得镁的吸放氢性能得到明显改善。活化结果显示，在氩气气氛下，球磨1h的LiBHdMg混合物经250℃，60min处理后的吸氢量可以达到6．7％（质量分数，下同）。200℃，80min处理后的吸氢量可以达到3．0％。而纯镁粉在相同条件下几乎不吸氢。PCT结果显示，LiBH4也明显改善镁氢化后的放氢性能。     

原位反应合成TiN／Al2O3复合材料

以Al和TiO2为初始原料，经高能球磨及热压烧结工艺，原位合成了TiN／Al2O3复合材料。利用DTA，XRD及SEM等方法结合热力学计算，研究了该粉体的高能球磨过程和球磨粉体在后续热处理中的物相形成及转化规律。同时研究了以高能球磨及热压烧结工艺所制备的复合材料的力学性能和显微结构。结果表明：在球磨过程中粉料吸附并溶解了N2气，在后续热处理中原位反应形成了Ti2AlN相，当温度升高到一定程度时分解形成TiN，这有助于材料的致密化并使其力学性能提高。球磨粉体在1300℃、30MPa、保温、保压60min热压烧结条件下，可得到性能优异的TiN/Al2O3复合材料，该材料的抗弯强度为850MPa，断裂韧性为5．7MPa·m^1/2。     

放电等离子体烧结原位制备SiC-TiC-Ti3SiC2复合材料

采用Ti,Si,C以及少量的Al,应用放电等离子体烧结设备,在1350℃烧结得到不含有TiC的SiC-Ti3SiC2复合材料,其中SiC理论体积含量为50%.材料表面气孔率为2.72%.材料的硬度为10.09 GPa,断裂韧性为5.66MPa·m1/2,硬度低的原因是由于材料不够致密.提高烧结温度到1450℃,XRD结果表明材料中有了TiC的存在,这说明提高烧结温度以后,Ti3SiC2发生了分解.但是材料表面气孔率为0.64%,材料的硬度达到了18.07 GPa,同时,材料的断裂韧性值达到了6.30 MPa·m1/2.实验表明,仅提高烧结温度100℃,使Ti3SiC2部分分解得到TiC,就能够提高材料的硬度和断裂韧性.     

基于光谱和时相特征的夏玉米遥感识别

精确提取作物种植面积一直是农业遥感关注的主要问题之一。综合运用低分辨率的时相变化特征和中分辨率的光谱特征,提出一种夏玉米识别方法。首先基于MODIS NDVI时间序列曲线,分析夏玉米在时相变化上的识别特征,构建识别模型。夏玉米纯像元利用识别模型识别,而耕地和非耕地类型的植被产生的混合像元,则基于像元分解办法获取耕地组分的NDVI时序特征,再利用识别模型判定,然后结合土地利用数据根据空间关系得到中分辨率结果;玉米与其他作物的混合像元则利用中分辨率尺度光谱差异加以区分。研究结果表明,在伊洛河流域主要农业区,识别精度达到90.33%,为作物类型识别提供了新的思路。     

基于主动学习的微博聚类分析

K Means聚类算法由于无法准确确定初始化聚类中心,容易造成 聚类结果准确率低下。对微博数据聚类时,可能会导致无法正确反映兴趣热点。本文 设计了基于主动学习的聚类算法,在确定初始聚类中心过程中应用Min Max主动学习策略, 使 得算法每次在很小数量的查询后都会提供数据点供用户进行初始中心点确认,并在K Means算 法中重新计算聚类中心时设置其权重值,从而减少迭代的数量,提高聚类结果的准确 率,并将这一算法运用于微博聚类分析,得出微博热门话题。     

Towards understanding the gamification upon users’ scores in a location-based social network

Online social platform, such as Wikipedia and Foursquare, has been increasingly exploded due to not only various useful services provided but also social gaming mechanisms that can keep users actively engaged. For example, users are awarded ”virtual goods” like badges and points when they contribute to the community in the network by voluntarily sharing ideas and other information. In this paper, we aim to examine the effectiveness of a social gamification mechanism, named user scores, designed in Foursquare which is one of most popular location-based social networks. A user’s score in Foursquare is an aggregate measure based on recent check-in activities of the user, which reflects a snapshot summary of the user’s temporal and spatial behaviors. Whenever a user checks in to a venue, a list of scores of the user’s friends are visible to the user via a ”leaderboard” which ranks these users’ scores in a descending order. Given a pair of friends who participate in a score competition in such a gimification mechanism, we identify if one user’s scores have significant influence on the other user’s scores by utilizing the Granger Causality Test. To understand what types of users and what types of friends tend to participate in the score competition (i.e., their check-ins are more likely driven by such a gamification mechanism), we extract users’ features (e.g. user’s degree) as well as the features of pairs of friends (e.g., number of common friends, score similarity and ranking difference) to examine whether these features have correlations with those pairs of users who are identified as being involved in the score game. The identified influence on user scores has the important implication on applications including friend and venue recommendations in location-based social networks.