【摘 要】
：
将环氧树脂(EP)分别涂敷于聚酰亚胺石墨带(GPTs)和聚酰亚胺石墨膜(GPFs),通过真空热压成型与分别采用堆叠和叠层方法制备得到GPTs/EP复合材料和GPFs/EP复合材料。借助XRD、SEM和PLM等手段对GPF及其环氧树脂基复合材料的晶体结构、形貌和光学织构进行表征,并研究GPF的体积分数和尺寸对其复合材料导热性能的影响。结果表明,相比于GPFs/EP复合材料,GPTs/EP复合材料的导热性能在不同方向显示出较大波动,其热导率和热扩散系数总体上随GPF体积分数的增加而增大,GPF体积分数为80%
【机 构】
：
湖南大学材料科学与工程学院,湖南大学先进炭材料及应用技术湖南省重点实验室,奇宏电子（深圳）有限公司
论文部分内容阅读
将环氧树脂(EP)分别涂敷于聚酰亚胺石墨带(GPTs)和聚酰亚胺石墨膜(GPFs),通过真空热压成型与分别采用堆叠和叠层方法制备得到GPTs/EP复合材料和GPFs/EP复合材料。借助XRD、SEM和PLM等手段对GPF及其环氧树脂基复合材料的晶体结构、形貌和光学织构进行表征,并研究GPF的体积分数和尺寸对其复合材料导热性能的影响。结果表明,相比于GPFs/EP复合材料,GPTs/EP复合材料的导热性能在不同方向显示出较大波动,其热导率和热扩散系数总体上随GPF体积分数的增加而增大,GPF体积分数为80%
其他文献
在推荐系统领域,了解电商平台中在线用户的行为意图至关重要。目前的一些方法通常将用户与商品之间的交互历史数据视为有序的序列,却忽视了不同交互行为之间的时间间隔信息。另外,一个用户的在线行为可能不仅仅包含一种意图,而是包含多种意图。例如,当一位用户在浏览运动品类下的商品时,其可能同时有购买足球和运动衫这两种商品的意图。但是现有的一些电商平台用户意图预测方法很难有效对用户-商品交互对时间间隔信息进行建模,也难以捕捉用户多方面的购物意图。为了解决上述问题,我们提出了一种时间感知分层自注意力网络模型THSNet,以
针对沉积物中水合物饱和度的测量问题,立足于时域反射技术(TDR)能够同时获得含水合物沉积物表观介电常数和电导率的优点,提出了一种基于介电常数/电导率双参数的水合物饱和度评价新方法.在分析介电常数和电导率测量原理的基础上,设计了四氢呋喃(THF)水合物模拟实验与参数测量系统以及实验方案;基于TDR测量响应分析了孔隙水电导率对水饱和的以及含水合物的模拟沉积物介电常数和电导率的影响;利用TDR获取的不同水合物饱和度条件下的介电常数测量数据对比分析了经典介电常数模型的性能,并以Lichteneker-Rother
天文学家尼古拉·卡尔达肖夫提出可以用能量级将文明分成三个量级,Ⅰ型文明使用在它的故乡行星所有可用的能量,Ⅱ型文明利用它的行星所围绕的恒星所有的能量,Ⅲ型星系文明能够利用所有可用的能量在一个单一的星系级别,约为4×1037W。这个分类法经常被科幻作家和预言家用作理论基础。由此可以推知:在未来很长时间内,随着科技水平的提高,人类利用和消耗的能量会越来越多,增速也会越来越快。
微信、QQ和钉钉等社交媒体都提供多对多聊天群组功能,这些聊天群组包含海量信息,对群组聊天内容进行有效分析,获取有价值的关联信息,是当前领域的研究热点。群组中用户间交互是群组实现的主要功能,用户间消息回复是用户间交互实现的方式,消息间的回复行为下隐藏着消息间和用户间的关系。群组消息间回复通常是隐式和非连续的,大部分群组消息间没有指定明确的回复关系,当前消息也不一定是上一条临近消息的回复,回复关系要根据具体的聊天场景确定。当消息间没有显示指定回复关系时,回复不易于分析和理解群组聊天内容,阻碍了对群组聊天内容的
近些年来,随着互联网的迅速发展,用户在各种在线平台上接收到海量的信息,信息爆炸成为一个关键性问题。在此背景下,推荐系统逐步渗透到人们工作生活的各个场景,已成为不可或缺的一环。它不仅可以帮助用户快速获得想要的信息和服务,还可以提高资源利用效率,从而给企业带来更多效益。因此,个性化推荐算法不仅获得了工业界广泛的关注,也是科研领域的研究热点之一。在个性化推荐的研究中,受限于平台与效率等因素,研究者大多无法将算法部署到在线系统上进行评价,因此离线评价成为推荐领域研究的主要方式。然而个性化推荐涉及到的场景复杂,可获
过去基于学习用户和物品的表征向量的推荐系统算法在大规模数据中取得了较好的结果。相比早期经典的基于矩阵分解(matrix factorization,MF)的推荐算法,近几年流行的基于深度学习的方法,在稀疏的数据集中具有更好的泛化能力。但许多方法只考虑了二维的评分矩阵信息,或者简单的对各种属性做嵌入表征,而忽略了各种属性之间的内部关系。异构信息网络(heterogeneous information network,HIN)相比同构网络能够存储更加丰富的语义特征。近几年结合异构信息网络与深度学习的推荐系统,
随着电子设备的耗电量和发热量不断增加,这对于热管理材料的散热性能提出了更高的要求。石墨烯已被广泛用作导热填料以提高聚合物的导热性。然而,石墨烯纳米片在聚合物中的分散性差,极大地限制了其在热管理中的实际应用。构建相互连接的三维石墨烯网络是提高聚合物复合材料的导热性的一个有效策略。本综述总结了最近三维石墨烯基导热聚合物复合材料(3D GPCs)的构建和应用方面的研究进展。此外,还总结了提高3D GPCs导热系数的方法。最后,提出了对于当前3D GPCs的挑战和展望。
推荐系统利用用户的历史记录、物品的基础信息等数据进行建模来捕获用户的偏好,有效缓解了信息过载等问题,虽然其已应用广泛,但整个推荐领域面临的挑战却依旧存在,其中数据稀疏这一问题对于推荐性能有举足轻重的影响。近年来,大量研究表明基于社交信息的推荐算法能够有效缓解数据稀疏问题,但它们也仍然存在一定的局限。线上的社交网络是非常稀疏的,并且线上社交网络中的“朋友”通常包括同学、同事、亲戚等,因此,拥有显式朋友关系的用户不一定拥有相似的偏好,即直接利用显式朋友的兴趣偏好进行推荐会存在噪声问题。此外,大部分基于隐式反馈
随着电子商务的兴起,用户在网购的同时留下了大量的评论。用户评论通常包含丰富的用户兴趣和项目属性等语义信息,反应了用户对项目特征的偏好。近年来,许多基于深度学习的方法通过利用评论进行推荐,并取得了巨大成功。这些工作主要是采用注意机制来识别对评分预测很重要的词或方面。它们单一的从评论中提取特征信息,并通过用户和物品的特征交互得到预测分数。然而,过度的聚合可能会导致评论中细粒度信息的丢失。此外,现有的模型要么忽略了用户和项目评论的相关性,要么只在单个粒度上构建评论特性交互,这导致用户和项目的特征信息不能被有效而
可解释性能够提高用户对推荐系统的信任度并且提升推荐系统的说服力和透明性,因此有许多工作都致力于实现推荐系统的可解释性。由于评论中包含了丰富的信息,能够体现用户偏好与情感信息,同时包含了对应商品所具有的特性,最近的一些基于评论的深度推荐系统有效地提高了推荐系统的可解释性。这些基于评论的深度推荐系统中内置的注意力机制能够从对应的评论中识别出有用的语义单元(例如词、属性或者评论),而推荐系统通过这些高权重的语义单元做出决策,从而增强推荐系统的可解释性。但可解释性在很多工作中仅作为一个辅助性的子任务,只在一些案例