XiaoMi-AI文件搜索系统
World File Search System二硅化
超耐火过渡金属二硼化物陶瓷的致密化
doi:https://doi.org/10.2298/SOS2001001F UDK: 546.271；622.785；676.056.73 超耐火过渡金属二硼化物陶瓷的致密化 WG Fahrenholtz 1*）、GE Hilmas 1、Ruixing Li 2 1 密苏里科技大学，密苏里州罗拉 2 北京航空航天大学，北京，中国 摘要：回顾了过渡金属二硼化物的致密化行为，重点介绍了 ZrB 2 和 HfB 2 。这些化合物被认为是超高温陶瓷，因为它们的熔点高于 3000°C。过渡金属二硼化物的共价键很强，导致熔点极高，自扩散系数低，因此很难对其进行致密化。此外，粉末颗粒表面的氧化物杂质会促进颗粒粗化，从而进一步抑制致密化。20 世纪 90 年代之前的研究主要采用热压进行致密化。这些报告揭示了致密化机制，并确定有效致密化需要氧杂质含量低于 0.5 wt%。后续研究采用了先进的烧结方法，如放电等离子烧结和反应热压，以生产出接近全密度和更高金属纯度的材料。还需要进一步研究以确定基本的致密化机制并进一步改善过渡金属二硼化物的高温性能。关键词：过渡金属二硼化物；致密化；烧结；热压。1. 简介过渡金属二硼化物 (TMB2) 作为用于极端环境的材料已被研究多年。 1-7 多种 TMB2 被视为超高温陶瓷 (UHTC)，因为它们的熔点超过 3000°C，其中包括 TiB 2 、ZrB 2 、HfB 2 和 TaB 2。其他 TMB2，例如 OsB 2 和 ReB 2，作为新型超硬材料备受关注。8-10 TMB2 拥有不同寻常的性能组合，例如金属般的热导率和电导率以及陶瓷般的硬度和弹性模量，这是由共价键、金属键和离子键特性的复杂组合产生的。11-13 由于其性能，TMB2 被提议用于极端温度、热通量、辐射水平、应变速率或化学反应性，这些都超出了现有材料的能力。通常提到的 TMB2 的一些潜在应用包括高超音速航空航天飞行器、火箭发动机、超燃冲压发动机、轻型装甲、高速切削工具、熔融金属接触应用的耐火材料、核聚变反应堆的等离子体材料以及先进核裂变反应堆的燃料形式。5,14-22 TMB2 具有极高的熔化温度和硬度值，而同样的特性也使 TMB2 难以致密化。陶瓷材料的致密化可以通过多种方法实现。许多商用陶瓷都是通过无压烧结粉末加工方法制造的部件生产的。23-25有些陶瓷很难通过无压烧结致密化。
无氧化物硅表面的功能化及其在生物传感中的应用
信息和通信技术在近几十年来的发展使得这种技术成为可能。今天我们可能面临着类似的情况，微电子技术即将用于生物系统，但半导体与生物环境之间的信号交换仍然受富含缺陷的界面的影响。半导体技术的快速发展也体现在新型微型生物传感器 [1–3] 上，微技术与纳米技术大大提高了生物传感器的灵敏度和性能。纳米生物传感器因较高的表面积与体积比 [4] 而受益于高效的转导机制，并且由于较低的分数维数，理论上分析物扩散速度更快。 [5] 此外，生物相容性、标准化制造工艺和广泛可用的生物功能化协议使纳米硅在许多方面成为生化传感的理想基材。由于硅器件的小型化，表面特性和表面功能化变得越来越重要，通过它们可以调整半导体器件的特性。对各种硅基底（如晶体硅、多孔硅或具有明确有机膜的纳米线）进行化学功能化，可能会显著改变其表面润湿性，[6] 可能会产生掺杂效应，[7] 并允许将分子线集成到传统半导体技术中。[8] 虽然微型硅基底的功能化提供了许多机会来根据您的需求调整其特性，但将生物分子固定在纳米级结构上有时可能具有挑战性。 这可能是由于生物分子在多孔基底的纳米孔中的扩散有限，或者在具有纳米级曲率的表面上不太容易形成明确界定的分子层。 [9]
摩托车越野轮胎及其他 9 种产品
（4）适用合同条款：驻军标准合同条款“货物买卖合同”、“关于撞船等不正当行为的特别条款”、“关于排除有组织犯罪的特别条款”。 （5）中标确定方法：中标人为投标总额（不含税）在兵团确定的估价限额内的投标人。如果有两名或两名以上最低出价者有资格中标，则将通过抽签方式确定中标者。 （6）准备合同等 中标人被选定为中标人后，必须立即准备合同等。 （7）其他 A.双方当事人签字、盖章后，本合同即成立。 （i）在确定中标人时，中标金额为投标文件中载明的金额加上该金额的 10%（如果该金额的小数部分不足 1 日元，则小数部分四舍五入）。因此，无论投标人是消费税应纳税企业还是免税企业，投标人都必须在投标文件中载明相当于预计合同金额 110/100 的金额。 C)投标人须提交资格审查结果通知书复印件。 如果您代表其他人竞标，则必须提交授权委托书。 投标人应当在投标文件中载明下列文字： “我公司（本人（若为个人）、我机构（若为组织））在接受《招标与合同指南》及《标准合同等》的合同条款后，对上述投标进行投标。”此外，我们特此同意《招标和承包指南》中关于排除有组织犯罪集团的承诺。 接受邮寄投标，但必须在 2024 年 7 月 24 日星期三下午 5:00 之前到达会计队合同科。在这种情况下，请与下列投标负责人核实其是否已到达。 （k）在招标过程中，包括邮政招标过程中，需要重新招标的，重新招标应在政府指定的日期和时间进行。 问：如果您打算投标同等产品，则必须在 2024 年 7 月 24 日星期三之前根据投标和合同指南（附录表格 4）提交同等产品确定申请，并获得合同官员的批准等。 中标人应于2024年7月25日星期四17:00前提交详细明细表。 务必检查商品名称、标准（规格）、单位、数量、单价、金额的一致性。 如果对上述内容的一致性有任何疑问，请务必提出问题并进行询问。
使用二氟化氙蚀刻绝缘体上的硅对芯片边缘硅微悬臂进行表面微加工
Thomas Lerond、Dmitri Yarekha、Vanessa Avramovic、Thierry Melin、S. Arscott。使用氙二氟化物蚀刻绝缘体上的硅，对芯片边缘硅微悬臂进行表面微加工。《微力学与微工程杂志》，2021 年，31 (8)，第 085001 页。�10.1088/1361- 6439/ac0807�。�hal-03411474�
二 - ...
1国家主要微观结构和介观物理学的主要实验室，纳米纳米科学科学中心，北京大学北京大学北京大学的物理学和物理学院2，中华人民共和国2北京人，北京人，北京人国家实验室国家实验室，凝结物理学和涉及中国杂草的体育学院，涉及中国杂期，米哈吉，纽约市。中国科学院，北京100049，中华人民共和国4号相关事项中心，物理学学院，智格大学，编号866，hangzhou 310058，吉安省Yuhangtang Road，中华人民共和国5号物理学系，香港科学与技术系，库洛恩999077，库洛恩999077，香港6跨学科的量子量量量子量；北京北京大学100871，中华人民共和国7北京三角洲大学光电研究所，江苏226010，中国人民共和国
二维铂二硒化物波导集成红外光电探测器
摘要：低成本、易于集成的硅 (Si) 光子学光电探测器 (PD) 仍然是光子集成电路 (PIC) 的瓶颈，特别是对于 1.8 μ m 以上的波长。多层铂硒化物 (PtSe 2 ) 是一种半金属二维 (2D) 材料，可以在 450°C 以下合成。我们通过在 Si 波导上保形生长直接集成基于 PtSe 2 的 PD。PD 在 1550 nm 波长下工作，最大响应度为 11 mA/W，响应时间低于 8.4 μ s。1.25 至 28 μ m 波长范围内的傅里叶变换红外光谱表明 PtSe 2 适用于远至红外波长范围的 PD。我们通过直接生长集成的 PtSe 2 PD 优于通过标准 2D 层转移制造的 PtSe 2 PD。红外响应性、化学稳定性、低温下选择性和保形生长以及高载流子迁移率的潜力相结合，使 PtSe 2 成为光电子和 PIC 的有吸引力的 2D 材料。关键词：铂硒化物、光电探测器、硅光子学、二维材料、红外 ■ 简介
数值化与智能化技术在材料科学中的应用与发展综述
设计，优化和制造。数值技术，例如有限元分析，验收动力学，第一原理计算和多尺度建模，可以有效地预测机构属性并优化设计。与此同时，人工智能和大数据分析可以通过机器学习发现新材料和反向设计。智能手段与自适应控制系统相结合，实现了生产过程的自动化和实时优化，从而提高了制造效率和精度。尽管数据和计算成本不足，但随着技术的进步，材料科学却朝着更高的精度和自动化方向发展。
理性设计和合成的 - 二 - 二 -
图3。DP-V-4通过H1299细胞中的泛素 - 蛋白酶体系统以剂量和时间依赖性的方式同时降解EGFR和PARP。A：添加MP-GV后36小时的相关蛋白质变化。b：添加MP-oV后36小时相关蛋白的变化。c：三种双protac化合物（DP-V 1-3）对36小时后相关蛋白的影响。 D：DP-V-4对36小时时浓度不同的相关蛋白质的影响。 E：4μMDP-V-4对不同时间相关蛋白的影响。f：引入1 µM MG132后，DP-V-4对相关蛋白的影响。g：通过CCK8测定法鉴定出吉非替尼，olaparib和DP-V-4的抗增殖活性。IC50表示为平均值±SD。
MuBiNN：用于脑电信号分类的多层二值化循环神经网络
监测人脑活动对于了解大脑功能、预防精神疾病和改善生活质量具有巨大潜力。为此，EEG 系统必须从当今临床实践中经常使用的有线、固定和笨重的系统转变为提供高信号质量的智能可穿戴、无线和舒适的生活方式解决方案。可穿戴设备上的连续监测要求自动 EEG 分类算法既准确又轻量。这是我们在本文中的主要关注点。请注意，可穿戴设备的处理器很小且有限，与台式机和服务器处理器相比要慢得多。许多以前的算法都是基于经典信号处理技术 [1][2]。由于 EEG 信号特征在不同情况下和不同人之间存在显著差异，因此此类算法中使用的固定特征不足以准确区分所有人的不同类型的疾病。为了自动提取特征并提高脑信号分类准确性，最近提出了基于深度学习的算法，包括深度卷积神经网络 (CNN) 和循环神经网络 (RNN) [3][4]。用于序列学习的最流行和最有效的 RNN 模型之一是长短期记忆 (LSTM) [5]。LSTM 旨在对长程依赖关系进行建模，而 RNN 的记忆备份起着重要作用，因此它们比传统的 RNN 更准确、更有效。本文重点介绍基于 LSTM 循环神经网络的 EEG 分类算法。所提出的方法采用 RNN，因为 EEG 波形自然适合用这种类型的神经网络进行处理。与其他类型的神经网络相比，RNN 可以更有效地捕获序列数据中的时间依赖关系。然而，高分类准确率的代价是