工程热物理所激光热效应组装柔性纤维器件研究取得进展

中科院与新加坡南洋理工大学合作,利用激光热效应实现纤维内微粒的精确操控,解决了纤维材料内物质位置无法精密调控的问题。通过此技术,可在纤维中制造复杂的半导体功能结构,为光电、光伏、热电、储能等领域带来新机遇。

近年来,基于多功能纤维材料科技的快速发展,更多种类的纤维具备了传感、光电转换、能量收集及储存等功能。随着对织物类可穿戴电子产品需求的不断增加,多功能纤维状器件与智能纤维织物为其提供了一种新的解决方案。但目前柔性纤维内部各种功能材料的精确高效定位、连接与组装等难题,阻碍了纤维器件的大规模应用。

近日,中国科学院工程热物理研究所储能研发中心与新加坡南洋理工大学合作,提出一种新型的基于激光热效应的纤维内微粒精确操控技术,突破纤维材料不利于进行内加工的固体特性,实现固体内微粒的精准移动及控制,组装出半导体异质功能结构,为制备复杂而高效的纤维内功能结构与器件提供了新思路。

该研究通过二氧化碳激光器的精准加热,将固态的纤维材料转换为液态,并在纤维内部产生可精密调控的马兰戈尼热流动。纤维内集成的微粒可伴随纤维材料的热流动改变位置,并可通过调制激光控制微粒移动的方向和速度。这突破了固态纤维材料内物质固有位置无法精密调控的难题,使利用纤维内部物质组合构造更加复杂的功能结构器件成为可能。该研究提出的方法利用流体为载体对微粒进行操控,对微粒的结构、组成材料、尺寸、数目并无选择性,这一特性极大扩展了方法的适用范围。基于以上原理,获得了在纤维中利用半导体材料微粒制造同质结与异质结的方法,证明了该方法的易用性与在光电、光伏、热电、储能等多个领域的应用前景。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值