三维石墨烯网络在导热聚合物复合材料中的构建及应用研究进展

来源 :新型炭材料 | 被引量 : 0次 | 上传用户:zdnumber
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
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。
其他文献
随着AI、5G、AR/VR等新技术的快速发展,内容类应用如电子商务、社交网络、短视频等层出不穷,导致信息过载问题日益严重。人工智能技术的发展推动了智能算法的爆炸式运用,作为智能算法的一种,推荐算法在大数据、应用场景和计算力的推动下,通过信息过滤技术,为用户提供适应兴趣及行为的个性化及高质量的推荐服务,逐步提高了用户的使用体验、内容分发效率,在一定程度上缓解了信息过载的问题。但推荐算法的潜在偏见、黑盒化特性及内容分发方式也逐渐带来了决策结果不公平性、不可解释性,信息茧房、侵犯用户隐私等安全挑战。如何提高推荐
加氢站(HRS)是氢能高效利用的重要环节,是促进燃料电池汽车行业发展的重要基础设施.本文介绍了外供氢加氢站一般系统流程及配置方法;整理了国内外关于系统流程的优化措施,其中包括常规系统的部件(如长管拖车、站侧储罐配置及预冷系统)的配置优化,以及非常规部件的新型系统(如喷射器、涡流管或膨胀机)的集成;最后对未来优化方向进行了展望.
一元反馈建模在推荐系统中的应用非常广泛,例如点击预测和购买预测等。然而,推荐系统作为一个闭环的反馈系统,在用户与系统的交互过程中可能存在着多种偏置问题,例如位置偏置、流行偏置等,进而导致用户的反馈数据存在有偏性。现有的大部分推荐模型都只基于这样的有偏数据进行构建,忽略了偏置的影响,进而导致推荐结果是次优的。目前已有的偏置消除方法大致可以分为基于反事实学习的方法、基于启发式的方法和基于无偏数据增强的方法。其中,基于无偏数据增强的方法通常被认为在稳定性和准确性方面表现较好。本文重点研究了推荐系统中一元反馈的偏
推荐系统的目标是从物品数据库中,选择出与用户兴趣偏好相匹配的子集,缓解用户面临的“信息过载”问题。因而近年来推荐系统越来越多地应用到电商、社交等领域,展现出巨大的商业潜力。传统推荐系统中,系统对用户的认知往往来源于历史交互记录,例如点击率或者购买记录,这是一种隐式用户反馈。对话推荐系统能够通过自然语言与用户进行多轮对话,逐步深入挖掘其兴趣偏好,从而向对方提供高质量的推荐结果。相比于传统推荐系统,对话推荐系统主要有两方面的不同。其一,对话推荐系统能够利用自然语言与用户进行语义上连贯的多轮对话,提升了人机交互
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,