工程师研制3-D形状的新型薄型电池!

马里兰大学的研究人员研发出一种新型3-D微型电池,通过在硅中钻孔并涂覆电池材料来增加表面积,从而提高了能量密度和功率密度。这种固态电池不含易燃液体,可以更好地集成到多种设备中。

马里兰大学(University of Maryland)的工程师们已经研制出了一种薄型电池,它是由数百万块精心构造的方形英寸的“微型电池”组成。每个微电池的形状就像一个很高的、圆形的房间,这样就可以提供很大的表面积。而纳米薄电池层在像墙壁一样的三维空间上面组装。薄层和大表面积一起能够产生很高的功率和高能量。这一新电池被称为“3-D电池”,因为每个微型电池都有明显的3-D形状。
这些3-D电池将传统的平面薄膜固态电池推向了三维。平面电池是一层单层的平板电池,起着阳极、电解质、阴极和电流收集器的作用。
但是为了制造3-D电池,研究人员在硅中钻出了一些狭窄的孔,孔的直径不超过蛛丝的一束,但要深很多倍。电池材料被涂在深孔的内壁上。3-D微型电池的壁面增加了,从而提供更多的能量,而薄层显著地增加了传递的功率。这个过程比它的扁平对应物稍微要复杂和昂贵一些,但是在相同的碳接触面积下,这种做法会产生更多的能量和更高的功率。
十多年来,电池研究人员已经知道了这种三维电池设计的功率和能量优势,但是在最近马里兰大学的NEES团队取得成功之前,别的科学家对于这方面的制造和测试一直都没有成功。这是因为他们想要使用一种名为“原子层沉积”的技术,在这种技术中,每层只有几个原子厚。对于电池的每个部分,每种材料都被加热,直到原子产生一层细雾,其在形状上沉降,紧密地附着在一层细细的薄层中。以这种方式制造电池,能确保每层都与孔的两侧一致,没有气泡或者无涂层空间。来源:http://xincailiao.ofweek.com/
马里兰州大学的助理研究科学家,同时也是研发3D微电池的团队成员之一的Keith Gregorczyk说,这篇论文明确地证明了“能量密度和功率密度是随着表面积的增加而增加的”。

这项研究的首席研究员Gary Rubloff说:“这种电池的一个巨大优势是它是固态的,这意味着它不像传统的锂电池那样含有易燃液体。由于它的制造过程与半导体芯片的制造过程相同,它可以直接集成到各种设备中,例如:健康监视器、手机以及许多其他应用程序。”
Rubloff是纳米结构电力储能(NEES)的主管,该机构获得了美国能源部能源前沿研究中心资助的2520万美元。Rubloff还是马里兰纳米中心的创始董事,同时他也是一名杰出的大学教授,在材料科学与工程系、系统研究所、电子与应用物理研究所任职。
之前,《ACS Nano》杂志发表的文章也对3d固态电池及其潜力进行了描述和分析。

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
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