太阳能多晶硅的制备生产工艺综述

太阳能用多晶硅来自石英矿或者硅石矿,进行冶炼得到金属硅,然后将金属硅提纯到太阳能多晶硅。太阳能多晶硅是制备太阳能电池的重要原料。依照自然界中硅石到太阳能多晶硅的生产过程为线索,介绍当前国内外光伏行业生产太阳能多晶硅的工艺现状,并对各工艺详情作一个综述。     

基于REVENT实验的气溶胶再夹带模型适用性分析

在核反应堆事故后卸压等特定场景下,安全壳内液体大量蒸发,液相中气溶胶在蒸汽作用下被夹带回气相中的现象称为再夹带。本文基于Revent实验结果对KataokaIshi's和Cosandey's再夹带模型的适用性进行了评估。首先将模型转化为程序语言,针对实验建立分析模型并对不同工况开展模拟研究;然后通过对比分析模型预测结果与实验测量结果,评估了在不同压力、气体组分条件下,KataokaIshi's各夹带区域模型预测可溶性气溶胶再夹带行为的适用性,Cosandey's模型预测可溶性、不可溶性气溶胶再夹带行为的适用性。结果表明:Cosandey's模型更适用于预测核电厂事故工况下安全壳内不同种类气溶胶粒子再夹带行为。     

电感耦合等离子体原子发射光谱法测定太阳能级硅中硼

研究了用电感耦合等离子体原子发射光谱仪(ICP-AES)测定太阳能级硅(SOG-Si)中硼的方法。试验发现,在110 ℃左右的温度下,用氢氟酸和硝酸的混合溶液作溶剂,试样在PFA烧杯中能较快溶解,且在溶样时添加0.3 mL甘露醇,可有效抑制硼的损失。在1000级洁净室中,用金属氧化物半导体(MOS)级试剂溶解电子级硅(EG-Si),可控制样品空白中硼元素含量小于1 μg/L,并能抑制部分基体效应。在仪器最佳工作状态下,选取B 182.641 nm作为分析谱线,方法的检出限为18.10 μg/L,回收率在92%～108%之间,相对标准偏差(RSD,n=11)不大于 7.2% 。样品中硼的测定结果与电感耦合等离子体质谱(ICP-MS)法及辉光放电质谱(GDMS)法进行了比对,结果吻合。     

含钴羟基锆柱撑MoS_2复合材料的制备及催化性能

采用单分子层剥离-重堆积技术,将聚合羟基锆离子([Zr4(OH)16-n(H2O)8+n]n+)和Co2+加到MoS2单分子层悬浮液中,制得了羟基锆和含钴羟基锆柱撑MoS2复合材料Zr-MoS2和Co/Zr-MoS2(简称柱撑材料),考察了Co2+对柱撑材料的形成及其催化活性的影响。研究结果表明,Zr-MoS2中[Zr4(OH)16-n(H2O)8+n]n+以双层错开方式排列于MoS2层间域中;Co2+的引入使柱撑材料的层间客体离子种类及取向趋于多样化,X射线衍射峰逐渐呈弥散状,层间距由Zr-MoS2的1.612nm减小至1.101nm,平均晶粒粒径减小,比表面积增大。硝基苯催化加氢结果表明,柱撑材料的催化活性是MoS2的2～4倍,其中Co/Zr-MoS2的催化活性高于Zr-MoS2,这与经柱撑后具有活性的MoS2板层的表层边沿比例提高有关。     

基于STORM实验的气溶胶再悬浮模型适用性分析

事故工况下,安全壳内已经沉降的气溶胶由于气流扰动等原因可能发生再悬浮现象,文章中基于STORM(Simplified Test Of Resuspension Mechanism)实验结果对气溶胶再悬浮力学平衡模型适用性进行评估。针对实验建立分析模型,研究了Wichner力学平衡模型中扰动力系数、沉积表面粗糙度和Michael力学平衡模型中沉积表面微凸体之间的距离的影响。通过对比分析模型预测结果与实验测量结果,评估模型的适用性。结果表明:Wichner力学平衡模型更适用于预测气溶胶粒径较小时,较大扰动气流速度区间内的再悬浮行为。     

情感化社交触觉界面的交互原型开发工具设计研究

目的 触觉交互是自然人机交互中的热点方向,触觉交互界面具备支持用户之间或人机之间情感交流的潜力。本研究旨在通过开发一种流程化、低门槛、轻成本且可体验的触觉界面原型工具,帮助设计师克服在触觉交互界面设计中的挑战,包括触觉生理学及触觉交互原理等知识基础、设计流程引导和技术开发支持,从而实现更有效的用户实验和设计深化。方法 首先,利用参与式设计方法,确定交互设计师在触觉交互界面设计中的主要挑战和核心需求;其次,以此为基础构建触觉交互设计流程引导及情感触觉信号编码界面设计的必要元素,开发支持情感触觉交互原型迭代的硬件工具,并完成原型开发工具的系统设计;最后,通过用户实验中的场景化测试验证初步的气动微流控柔性薄膜阵列的基础情感交互效果,并建立了基础的情感-触觉映射参考效果库。结论 本研究开发了触觉界面原型工具,通过系统化的设计流程和简易的操作方式,有助于触觉交互设计师更加灵活便捷地进行设计研究和实践。该工具创新性地提升了触觉界面的设计效率,为情感触觉交互体验设计提供了丰富的可能性。     

基于深度学习的驾驶员分心行为识别

分心驾驶行为识别是提高驾驶安全的主要方法之一。针对分心驾驶行为识别精度低的问题,本文提出一种基于深度学习的驾驶员分心行为识别算法,由目标检测网络和行为精确识别网络级联构成。基于State Farm公开数据集,第一级利用目标检测算法SSD(Single Shot Multibox Detector)对数据集中的驾驶员原始图像进行局部信息提取,确定行为识别候选区域;第二级分别利用迁移学习VGG19、Res Net50和MobileNetV2模型对候选区域内的行为信息进行精确识别;最后,实验对比级联架构与单模型架构对分心驾驶行为的识别精度。结果表明,提出的级联网络模型相较于主流单模型检测方法,驾驶员行为识别的准确率总体上提升4～7%个百分点。该算法不仅减少噪声和其他背景区域对模型的影响,提高分心行为识别准确率,还可以有效识别更多的行为类别以避免动作的误分类。