摘要:高纵横比硅微纳米结构在微电子、微机电系统、传感器、热电材料、电池阳极、太阳能电池、光子装置和 X 射线光学等多种应用领域中具有技术相关性。微加工通常通过反应离子干法蚀刻和基于 KOH 的湿法蚀刻来实现,金属辅助化学蚀刻(MacEtch)作为一种新型蚀刻技术正在兴起,它允许在纳米级特征尺寸中实现巨大的纵横比。到目前为止,文献中缺少对 MacEtch 的专门综述,既考虑了基本原理,也考虑了 X 射线光学应用。本综述旨在提供全面的总结,包括:(i)基本机制;(ii)在垂直于 <100> Si 基底的方向上进行均匀蚀刻的基础和作用;(iii)用 MacEtch 制造的几个 X 射线光学元件示例,例如线光栅、圆形光栅阵列、菲涅尔区板和其他 X 射线透镜; (iv) 吸收光栅完整制造的材料和方法以及在基于 X 射线光栅的干涉测量中的应用;以及 (v) X 射线光学制造的未来前景。本综述为研究人员和工程师提供了对 MacEtch 作为 X 射线光学制造新技术的原理和应用的广泛和最新的理解。
对齐的碳纳米管(CNT)复合材料由于其出色的机械和物理特性而引起了很大的兴趣。本文简要概述了对齐的CNT复合材料的合成方法。首先对制造排列的CNT纤维制造的三种主要方法进行了审查,包括湿旋,干旋和浮动催化剂。但是,由于其多孔结构和纤维内的CNT对齐不良,获得的CNT纤维具有有限的机械和物理性能。需要适当的处理以使纤维致密以增强其性质。然后讨论CNT纤维致密化的主要方法。为了进一步增强CNT纤维内的负载转移,始终使用聚合物浸润。综述了CNT纤维聚合物浸润的典型研究,所获得的复合材料的特性表明该复合制造方法优于常规分散方法。由于对齐的CNT复合材料通常是在长纤维或薄膜的结构中获得的,因此很难测量这些复合材料的热导率。开发了一个非晶格蒙特卡洛模型,以准确预测对齐的CNT复合材料的热导率。
本报告是关于添加剂制造的概念和过程的介绍。使用添加剂制造技术,在该项目的金属(钢)上进行了模拟。在对金属粉末床添加剂制造过程的模拟中,我们得到了主要发现,例如温度场,残留应力和熔体池特性,这些特征发生在金属中。选择性激光烧结是一种著名的金属添加剂制造工艺,用于在床上融化粉末金属,并形成一块所需材料的金属板,并通过一层形成一层,并融化金属粉末。基于许多审查的研究,在将仿真转换为增材制造业工业应用工具的背景下,确定了许多未来的方向。应开发出智能建模方法,必须在增材制造模拟中进一步表征和标准化材料及其特性,并且必须开发模拟,并且需要成为现代数字生产链的一部分。
结果表明,可以针对各种生物构图方法(包括基于挤出的基于挤压和微型技术)进行多个链接方法,尽管需要进一步优化以提高生物学兼容性。基于硫醇-IT的点击化学方法提供了完善水凝胶特性的可能性,从而改善了生物学结果。使得成功组织复杂的结构,例如内皮和上皮管,这强调了各种组织工程应用的潜力。
热塑性融合细丝制造过程(FFF)的主要缺点之一是所产生的零件的可怜的chanical特性。这主要与细丝之间有限的合并有限的大孔相关。合并是由聚合物的粘度和表面张力统治的。因此,需要对这两种特性进行准确的表征,以建模和优化灯丝沉积和冷却过程中的合并。在这项工作中,呈现在大温度范围(25 - 380℃)上的表面张力表征程序,并将其应用于Polyetherketoneketone(PEKK)材料。此外,牛顿粘度的特征是风化的。然后,通过将现有的半分析模型与先前呈现的2D传热有限元仿真模型耦合来模拟聚结。结果显示了表面张力的温度依赖性实施的重要性。此外,PARA指标研究还对FFF过程有了工业理解。
随着超表面在光学应用领域的应用越来越广泛,在其开发中需要一种能够以低成本实现大表面和亚100纳米尺寸的制造方法。由于其高吞吐量和小结构化能力,软纳米压印光刻是制造此类器件的良好候选方法。但是,由于必须使用低粘度聚合物才能达到所需尺寸,因此阻碍了其在可见光波长下超表面的应用,这使得最终的压印件更易碎,且该过程更昂贵、更复杂。在此,我们提出了一种PDMS模具制造方法,该方法依赖于PDMS的自组装掩模,然后直接蚀刻模具,从而与聚合物粘度无关可达到的最小尺寸。我们对使用我们的方法获得的模具制造的超表面进行了表征,验证了其在大表面器件纳米制造中的应用。
研究孔隙率的方法:用DED制造的体积的孔隙率的分析是通过削减的削减量,斐济软件上的sšppuant进行的:ů2D死于灰度水平显微镜(ągure 2(a))(ągure2(a)(ągure2(a)),每个pixel varying gray with 0(black)和255(白色)和255(白色)和255(白色);;图像不再仅包含两个值,0和255。孔的形式为黑色像素,如ągure 2(b); segmation and spied Analysis。此步骤是在矩阵(材料)中自动检测零件(毛孔),通过扫描所有相同的值像素,具有一定的精度,取决于阈值阶段(ągures 2(c)和(d));
高光谱成像为分析人工生态系统中地上植物的特征提供了强大的工具,能够提供涵盖不同波长的丰富光谱信息。本研究提出了一种高效的高光谱数据分割和后续数据分析流程,通过使用稀疏混合尺度卷积神经网络集成,最大限度地减少了用户注释的需求。分割过程利用集成的多样性,以最少的标记数据实现高精度,从而减少了劳动密集型的注释工作。为了进一步增强稳健性,我们结合了图像对齐技术来解决数据集的空间变异性问题。下游分析侧重于利用分割数据处理光谱数据,从而实现植物健康状况的监测。该方法为光谱分割提供了一种可扩展的解决方案,并有助于在复杂受控环境中对植物状况进行切实可行的洞察。我们的研究结果证明了将先进的机器学习技术与高光谱分析相结合,可以实现高通量植物监测。
