1 广东电网有限责任公司广州供电局 广州 510600
2 中国科学院上海应用物理研究所 上海 201800
3 上海师范大学 上海 200234
4 中国科学院大学 北京 100049
作为氢燃料利用的核心器件,固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)可以高效地将燃料气转化为电能。燃料电池中的阴极作为氧还原反应的发生场所,不仅对性能输出占有重要的影响,而且还是燃料电池的稳定性和寿命的关键决定因素。针对阴极材料的研究在推动燃料电池技术发展及产业化进程中具有重要意义。为了提升阴极的电化学性能,本文对双钙钛矿结构氧化物PrBa0.8Ca0.2Co2O5+δ(PBCC)中的钴元素进行掺杂调控,研究掺杂元素的种类、浓度对材料电化学性能的影响,通过电化学性能测试确定了最优的掺杂元素类型和含量。当使用掺杂5 mol%铁元素的PBCC材料作为阴极时,燃料电池在700 °C的最大功率达到了1 259 mW?cm-2,远优于未掺杂时的988 mW?cm-2。对掺杂元素含量和种类的优化有助于提升固体氧化物燃料电池的电化学性能。
固体氧化物燃料电池 阴极 双钙钛矿 B-位掺杂 Solid oxide fuel cell Cathode Double perovskite B-site doping
1 沈阳化工大学理学院 沈阳 110142
2 中国科学院上海应用物理研究所 上海 201800
3 上海氢程科技有限公司 上海 201815
4 上海发电设备成套设计研究院有限责任公司 上海 200240
固体氧化物电池(Solid Oxide Cell,SOC)是高温电解水蒸气制氢和氢燃料利用的核心器件。为了避免SOC批量制备过程中大量有机溶剂的使用,本文开发了两种不同组分的水系流延浆料,并进行了浆料的分散状态与稳定性的定量分析。利用一次流延450 μm左右的NiO-YSZ支撑体薄膜,丝网印刷氢电极功能层和电解质层、阻隔层和氧电极层制备10 cm×10 cm大尺寸全电池。通过扫描电子显微镜(Scanning Electron Microscope,SEM)分析浆料状态对薄膜成型的微观结构的影响,并利用伏安特性(I-V)和电化学阻抗(Electrochemical Impedance Spectroscopy,EIS)研究了全电池的电化学性能。以氢为燃料的固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)模式下,最大发电功率为0.36 W·cm-2(750 ℃ @ 0.7 V),在固体氧化物电解水蒸气(Solid Oxide Electrolysis Cell,SOEC)模式中,电解电流密度可以达到-0.68 A·cm-2(750 ℃ @ 1.3 V)。因此,该水系流延浆料的开发与应用,使得SOC的工业批量生产过程更环保。
可逆固体氧化物电池 流延技术 水系浆料 分散状态 Reversible solid oxide cell Tape casting Aqueous slurry Dispersed state
1 中国石油大学(华东)海洋与空间信息学院, 山东 青岛 266580
2 齐鲁工业大学(山东省科学院)山东省科学院海洋仪器仪表研究所, 山东 青岛 266061
点云数据量十分庞大,合理地精简点云数据是点云数据处理的重要研究内容。针对传统点云精简算法存在的细节缺失、空洞等问题,提出一种基于多参数k-means聚类的自适应点云精简算法。该方法基于KD-Tree创建点云k邻域,结合曲面拟合对点云数据进行曲率和法向特征计算,运用多参数混合特征提取方法对点云特征及边界进行检测并保留;并由KD-Tree索引确定初始化聚类簇心,进行k-means聚类,聚类结果根据最大曲率偏差作细分精简。将本文算法、曲率采样法、均匀网格法与随机精简法分别应用于不同类型的点云模型中进行实验,结果表明,本文算法在复杂模型下的标准偏差均优于后三者,且可以较好地保留点云的细节特征信息,精简效果与模型完整性优于均匀网格法与曲率采样法。
图像处理 点云精简 k-means聚类 特征点 激光与光电子学进展
2021, 58(6): 0610008
上海理工大学出版印刷与艺术设计学院, 上海 200093
针对目前许多图像重构算法存在重构出来的图像不清晰、分辨率低等问题, 提出了一种基于编码. 解码对称神经网络的高分辨率图像重构算法。首先将图像进行压缩获取低分辨率图像, 然后将低分辨率图像作为输入图像经过编码. 解码对称神经网络, 并利用其中的卷积神经网络进行编码得到特征图像, 最后再利用反卷积神经网络进行解码实现图像的细节恢复。实验结果表明, 经过基于编码. 解码对称神经网络重构出来的图像比之前的低分辨率图像更加清晰, 图像的分辨率得到了提高。
卷积神经 反卷积神经 编码 解码 重构 convolutional nerve deconvolutional nerve coding decoding reconstruction