XiaoMi-AI文件搜索系统
World File Search System簇多氧计
活性污泥生物碳制备及其锂氧电池性能研究
n，通过直接碳化制备具有介孔结构的杂种掺杂的活性污泥生物炭，然后通过腌制修改将其应用于非含锂氧气电池的正极电极。其在阴极中的应用可以以200 mA/g的电流密度提供7888 mAh/g的特定容量。锂氧电池的放电过程将产生
基于非贵金属氧还原催化剂的质子交换膜燃料电池性能
W 窑 cm -2 曰 持续增加到 2.0 bar 袁 功率密度进一步提升 达到 0.94 W 窑 cm -2 ( 图 4E). Chen 等 [47] 报道 Co-N-C 催化剂在空气的燃料电池测试中压力从 0.5 bar 提 升至 2 bar 上 袁 最高功率密度从 0.221 W 窑 cm -2 提升 到 0.305 W 窑 cm -2 ( 图 4F). 文献中记录的非贵金属催 化剂燃料电池测试压力一般不大于 2 bar 袁 在此范 围内催化剂燃料电池的性能随着压力的增加而提 升 袁 压力过大会造成催化剂层结构的破坏并加速 膜电极的退化 . 目前 袁 鲜有对测试过程中气流量影 响的探究 . 从表 1 中发现 袁 大部分基于非贵金属催 化剂的 PEMFC 性能测试是采取固定气流量的方 式 袁 但气流量的选择并没有统一标准 袁 其中空气的 气流量一般等于或大于氧气的气流量 . 4 非贵金属催化剂耐久性分析
泛函选择对钇钡铜氧超导体能带与电子性质的影响
高温超导体由于其独特的电子特性和非常规的超导行为而引起了极大的关注。尤其是，由高能离子植入，压力和电磁场等外部场引起的高体性超导材料的相变已成为研究热点。但是，潜在的机械主义尚未完全理解。第一原理计算被广泛认为是深入探索这些内在机制的有效方法。在这项研究中，使用第一原理计算来研究氧空位现象对不同功能下YBA 2 Cu 3 O 7（YBCO 7）的电子传递性能和超导性能的影响（PBE，PBE + U，HSE06）。结果表明，氧空位显着改变了带的结构，并且在不同功能的预测中观察到了考虑的差异。YBA 2 Cu 3 O 6（YBCO 6）的计算带隙范围为0至1.69 eV。较大的带隙表明是绝缘状态，而没有带隙的缺乏表明材料保持金属。通过将结果与实验结果进行比较，我们发现HSE06功能提供了最合理的预测。带隙的存在或不存在主要受铜轨道的影响。氧气空位会导致材料的C轴拉长，这与实验中He-ion辐照后X射线差异（XRD）分析中观察到的趋势是一致的。我们的发现有助于解释在外部田地下，尤其是He-Ion Irra-priation的金属 - 绝缘体相变，并为开发高温超导材料及其设备应用提供了理论基础和新见解。
星系簇的心脏
我们用TNG-Cluster（一种新的宇宙磁性水力动力学仿真）分析了气态内培养基（ICM）的物理特性。我们的样本包含352个模拟簇，跨越晕质量范围为10 14我们专注于将簇分类为冷核（CC）和非冷核（NCC）种群的分类，z = 0群集中央ICM属性的分布以及CC群集群体的红移演化。我们分析了熵，温度，电子数密度和压力的分析结构和径向纤维。为了区分CC和NCC簇，我们考虑了几个标准：中央冷却时间，中央熵，中央密度，X射线浓度参数和密度较高的斜率。根据TNG群集，没有先验群集的选择，这些属性的分布是单峰的，因此CCS和NCCS代表了两个极端。在z = 0的整个TNG群集样品中，基于中央冷却时间，强的CC分数为F SCC = 24％，而F wcc = 60％，弱和NCCS分别为16％。然而，尽管趋势的幅度级甚至方向随定义而变化，但CC的比例在很大程度上取决于光环质量和红移。TNG群集中模拟的高质量簇的丰富统计数据使我们能够匹配观测样本并与数据进行比较。tng群集可以用作实验室，以研究因合并，AGN反馈和其他物理过程而引起的群集核心的演变和转换。Z = 0到Z = 2的CC分数与观测值以及热力学量的径向纤维夹在全球范围内以及分配为CC与NCC Halos时。
有向网络中单向依赖簇与簇同步稳定性
耦合振荡器网络中的集群同步是科学界广泛关注的课题，其应用范围从神经网络到社交网络、动物网络和技术系统。这些网络大多是有向的，信息或能量流从给定节点单向传播到其他节点。然而，集群同步方面的大多数工作都集中在无向网络上。这里我们描述了一般有向网络中的集群同步。我们的第一个观察结果是，在有向网络中，节点集群 A 可能单向依赖于另一个集群 B：在这种情况下，只要 B 稳定，A 可能保持同步，但反之则不成立。本文的主要贡献是一种将集群稳定性问题转化为不可约形式的方法。通过这种方式，我们将原始问题分解为最低维的子问题，这使我们能够立即检测到集群之间的相互依赖关系。我们将分析应用于两个感兴趣的例子：一个小提琴演奏者组成的人类网络演奏一首乐曲，音乐家可以激活或停用该乐曲的定向交互；以及具有定向层到层连接的多层神经网络。