使用CiteSpace软件对2004—2024年中国知网和Web of Science核心期刊数据库收录的竹基材料领域论文进行可视化处理、整理、总结、归纳竹基材料的发展趋势和未来的研究方向,并对年发文量、发文作者和关键词进行分析。研究发现,中国知网和...使用CiteSpace软件对2004—2024年中国知网和Web of Science核心期刊数据库收录的竹基材料领域论文进行可视化处理、整理、总结、归纳竹基材料的发展趋势和未来的研究方向,并对年发文量、发文作者和关键词进行分析。研究发现,中国知网和Web of Science发表的关于竹基材料的论文数量整体呈上升趋势;发文作者的合作多集中于特定群体之间,尚未形成紧密的、广泛的作者合作网络。研究机构间的研究网络已初步形成,但机构间的协作仍有待加强。对竹基材料的研究热点逐渐趋于多元化,不仅聚焦于材料本身的性能优化和功能拓展,还涉及标准体系建设、产业化应用和环境可持续发展等多个维度。未来研究将以“以竹代塑”倡议为牵引,通过交叉学科协同创新,推动竹基材料的功能化创新和“以竹代塑”的产品开发。展开更多
为了确保锂离子电池系统的安全性、可靠性和持久性,准确估计电池的健康状态(State of Health,SOH)至关重要。SOH作为一个内部状态量,难以通过传感器直接测量,往往需要通过间接方式进行估计。SOH估计的准确性在很大程度上依赖于健康特征...为了确保锂离子电池系统的安全性、可靠性和持久性,准确估计电池的健康状态(State of Health,SOH)至关重要。SOH作为一个内部状态量,难以通过传感器直接测量,往往需要通过间接方式进行估计。SOH估计的准确性在很大程度上依赖于健康特征的提取质量,当前SOH估计研究面临电池内部复杂的电化学衰退机制难以直接观测,且单一特征往往无法全面捕捉电池老化过程的挑战。首先阐明了SOH与电池容量衰减、内阻增长的宏观联系,并追溯其活性物质损失(LAM)和活性锂损失(LLI)等微观电化学衰减机制,确立了理想健康特征应具备明确物理意义的评价基准。在此基础上,总结了当前主流的特征提取技术,主要包括基于电压电流曲线、微分曲线、脉冲功率特性、电化学阻抗和多物理场的特征提取,并对这5种特征提取技术进行了归纳与评述。此外,系统梳理了NASA、CALCE、Oxford等多个国际公认的锂电池公开数据集,为相关算法的开发与验证提供了基准。最后,针对单一特征难以在复杂多变的工况下实现鲁棒性、高精度SOH估计的现状,提出未来发展趋势的三个关键方向:(1)建立标准化的评估协议,实现客观的算法比较;(2)融合多物理场特征(电、热、机械等),创建更全面、更稳健的健康指标;(3)将物理模型与数据驱动方法相结合(如物理信息神经网络),提高模型可解释性、数据效率和泛化能力。展开更多
文摘使用CiteSpace软件对2004—2024年中国知网和Web of Science核心期刊数据库收录的竹基材料领域论文进行可视化处理、整理、总结、归纳竹基材料的发展趋势和未来的研究方向,并对年发文量、发文作者和关键词进行分析。研究发现,中国知网和Web of Science发表的关于竹基材料的论文数量整体呈上升趋势;发文作者的合作多集中于特定群体之间,尚未形成紧密的、广泛的作者合作网络。研究机构间的研究网络已初步形成,但机构间的协作仍有待加强。对竹基材料的研究热点逐渐趋于多元化,不仅聚焦于材料本身的性能优化和功能拓展,还涉及标准体系建设、产业化应用和环境可持续发展等多个维度。未来研究将以“以竹代塑”倡议为牵引,通过交叉学科协同创新,推动竹基材料的功能化创新和“以竹代塑”的产品开发。
文摘为了确保锂离子电池系统的安全性、可靠性和持久性,准确估计电池的健康状态(State of Health,SOH)至关重要。SOH作为一个内部状态量,难以通过传感器直接测量,往往需要通过间接方式进行估计。SOH估计的准确性在很大程度上依赖于健康特征的提取质量,当前SOH估计研究面临电池内部复杂的电化学衰退机制难以直接观测,且单一特征往往无法全面捕捉电池老化过程的挑战。首先阐明了SOH与电池容量衰减、内阻增长的宏观联系,并追溯其活性物质损失(LAM)和活性锂损失(LLI)等微观电化学衰减机制,确立了理想健康特征应具备明确物理意义的评价基准。在此基础上,总结了当前主流的特征提取技术,主要包括基于电压电流曲线、微分曲线、脉冲功率特性、电化学阻抗和多物理场的特征提取,并对这5种特征提取技术进行了归纳与评述。此外,系统梳理了NASA、CALCE、Oxford等多个国际公认的锂电池公开数据集,为相关算法的开发与验证提供了基准。最后,针对单一特征难以在复杂多变的工况下实现鲁棒性、高精度SOH估计的现状,提出未来发展趋势的三个关键方向:(1)建立标准化的评估协议,实现客观的算法比较;(2)融合多物理场特征(电、热、机械等),创建更全面、更稳健的健康指标;(3)将物理模型与数据驱动方法相结合(如物理信息神经网络),提高模型可解释性、数据效率和泛化能力。
