通过详细平衡兼容的偶极发射模型评估过氧化物太阳能电池中的光子回收情况

用于可靠的钙钛矿薄膜瞬时光致发光模拟的拟合程序 简介 对光激发后的电荷载流子动态的研究对于确定太阳能电池的几个特性至关重要,例如,体和界面重组的数量以及向电荷传输层转移过程的速度。 瞬态光致发光(trPL)是用于研究这些特性的最流行的表征方法之一。 该实验是通过在样品上照射几纳秒的激光脉冲,并记录一段时间内的发光情况来进行的。辐射性重组的光生电荷载流子将引起太阳能电池的光子发射,而非辐射性重组的电荷载流子将不会对发光作出贡献。因此,可以测量到强度随时间递减的光致发光瞬态。(见图1表示trPL的测量和它的输出)。 图1. 一... 阅读详情

钙钛矿已成为光电应用中最有前途的材料类别之一。这是由于它们在电和光之间的转换效率高,制造成本低,而且适合大面积应用。

这种材料的突出特点包括

  • 非辐射性载流子寿命长
  • 强烈的光吸收
  • 陡峭的吸收边缘(图1a)。

这些特性共同导致了在光和电的激发下,有相当大的内部光子发射,以及对这一辐射的很大一部分的再吸收。光子再吸收和内部再发射的过程被称为光子回收,并能对设备性能产生有益的影响。

在太阳能电池中,光子回收导致器件的开路电压(Voc)增加,这是一个关键的性能参数,也是衡量器件在太阳能照明下可维持的最大电压。在发光器件中,它可以通过促进内部发射的光子从引导模式到泄漏模式和外耦合模式的重新分布来提高发光的外部量子效率。

由于内部辐射过程无法通过实验获得,模拟有助于评估光子回收对给定结构和材料特性的光电器件性能的潜在好处。然而,由于过氧化物活性薄膜的亚微米厚度,为量化光子回收大块太阳能电池装置而建立的射线光学方法并不适合。此外,基于van Roosbroeck-Shockley理论[VRS54]的局部辐射重组率的标准详细平衡图假设吸收体中的光子状态密度均匀,忽略了任何空穴效应。另一方面,在考虑到空穴效应的情况下,用于模拟薄膜有机LED中的光发射的偶极辐射模型与传统上用于评估太阳能电池设备中的发射的详细平衡框架不兼容,并且在吸收介质的存在下受到非物理性分歧的困扰。

为了调和这两种情况,统一描述薄膜包晶石太阳能电池和LED的辐射过程--包括光子回收--我们根据光学常数和准费米级分裂的局部值,得出了偶极辐射模型[Aeb21]的详细平衡兼容参数。该方法是基于对任意多层堆栈中的光子的横向dyadic Green's函数的评估,它能够对吸收介质中的发射进行数值上的稳定模拟,并提供光子通量以及具有空间和光谱分辨率的发射和再吸收率。基于这些信息,任何与评估光子回收有关的光学量都可以直接获得,从开路电压的增强到辐射损失通道的评估以及金属反射器和接触层的寄生吸收的量化

图1 - (a) MAPI的吸收系数来自[Liu19],相应的局部发射率来自详细平衡。(b) 光子能量为1.6 eV的光子通量在280 nm的MAPI板上,受到1.2 eV的恒定准费米级分裂的影响。(c) 来自Poynting矢量和广义Kirchhoff定律的外部通量的比较。

将该方法应用于单个碘化甲铵(MAPI)过氧化物薄膜(使用来自[Liu19]的光学数据),证明了来自格林函数的全局通量(图1b)与来自广义基尔霍夫定律[Wue82]的预测一致(图1c),但也揭示了在低膜厚的情况下,范罗斯布洛克-肖克雷关系(VRS)对局部发射率的高估(图2a)。

在没有附加层的情况下,对贡献于内部和外部发射的模式的检查(图2b)表明,内部发射是由引导模式主导的,甚至在耦合模式中也有大量的再吸收,然而,这并不具有寄生成分,因为内部发射净值等于外部发射。开路电压作为薄膜厚度的函数的增强(图2c)反映了共同的吸收共振,薄膜的VRS的更大的发射率,以及在射线光学极限中两个图片的趋同。

图2 - (a) 不同厚度的MAPI吸收层的局部发射率。(a) 与外部通量相比,内部速率的空间整合。(c) 使用范-罗斯布里克-肖克雷和格林函数速率评估的开路电压的光学增强。

与常见的基于详细平衡和热力学的光子循环效应评估相比,对寄生吸收的明确评估是没有必要的。然而,使用我们的方法可以很容易地量化复杂器件堆栈中各个层的寄生吸收,因为局部再吸收率可以直接获得(图3b)。与利用外部辐射相关的数量相类似,将某一层的再吸收率归一化为总的内部发射率,可以提供一个层的再吸收率(图3c)。

图3 - (a) 在外部电压为1.2V、光子能量为1.6eV的情况下,[Liu19]的整个器件堆中的局部光子通量。 (b) (a)情况下的局部重吸收率。(c)内部发射的光的层解光谱吸收率。

虽然我们的方法在通用性和一致性方面超越了目前的技术水平,甚至在仅限于光学考虑的评估水平上也是如此,但它为辐射重组的局部速率和由于内部发射的光子的再吸收而产生的二次光生提供了明确的表达,使其能够与完整的光电子器件模拟框架相结合,包括漂移-扩散水平上的电荷传输。因此,对局部准费米级分裂的依赖被电荷载流子密度乘积和内在载流子密度的关系所取代,在反复评估载流子密度和光率之后,获得了稳态器件的特性(图4a)。这种完全耦合的光电子模拟允许在现实的器件结构中评估电荷传输和非辐射重组存在下的光子回收效应。

作为一个例子,在考虑到由接触层、电荷传输层组成的中心器件区域的电荷传输,以及通过位于MAPI吸收体界面的缺陷进行的非辐射重组的情况下,对[Liu19]的太阳能电池器件结构进行了电流-电压特性评估(图4b)。为此,在Fluxim的光电器件模拟工具Setfos中使用了从格林函数模型推断出的光学速率。为了进行比较,还显示了由完全和净(即扣除再吸收)辐射性暗饱和电流确定的电流-电压特性的光学极限,以及在等于外部电压的均匀准费米级分裂的假设下。它们反映了在金属反射器和接触层的寄生吸收的影响,与相同厚度的独立的单一MAPI层相比,开路电压的增强被大大降低。在辐射极限下,全光电模拟提供的特性表现出类似的Voc增强,但由于准费米级分裂对外部电压的非微观依赖,填充系数略低。最后,通过使用从实验特征的粗略拟合中推断出的缺陷参数评估电流-电压特征,评估了界面缺陷的非辐射重组的影响,显示出Voc增强的另一个急剧下降(图4c)。

图4 - (a) 电荷载流子密度和光率的迭代计算。(b) 电气模拟中使用的器件堆栈和带状排列。(c) 光学模型、耦合模型的辐射极限以及带有缺陷介导的重组的完整光电模型的电流-电压特性(参数来自于对exp.数据的拟合)。

结论

总之,我们提出了一种新的模拟方法,对吸收介质中的发射进行了数值处理,没有非物理性的分歧,将偶极发射理论与来自详细平衡的辐射率理论统一起来,在考虑到整个器件堆中的实际光子模式的情况下,能够对内部和外部发射进行一致的评估。由于内部发射的光子被重新吸收而产生的二次光生在全波图中被确定,并与本地发射率一起被耦合到一个完整的光电设备模拟框架中,该框架允许在现实的太阳能电池设备结构中,在电荷传输和非辐射损失存在的情况下,对光子回收的影响进行量化。

 

硫族元素高掺杂硅的亚带隙吸收的可能原子结构 通过离子注入和纳秒激光熔化,单晶硅被硫,Selenium和碲超掺杂。 这种硫族元素的超掺杂导致强且宽的亚带隙光吸收。 即使在低温下(例如200–400 C),对高掺杂硅进行退火也会导致亚带隙吸收的衰减。 为了解释衰减过程,我们将其建模为从光学吸收结构到非吸收结构的化学分解React。 使用Arrhenius方程拟合实验吸收系数的衰减。 从拟合数据中,我们提取出S-,Se-和T-超掺杂硅的React活化能分别为0.33860.029 eV,0.47160.040 eV和0.35760.028 eV。 我们用硫属元素-Si亚稳键的键能来讨论这些活化能,并提出了几个高能间隙位点而不是取代位点,这些原子位点是原子结构的强子带隙吸收的原因。硫属元素超掺杂硅。 立即下载

相关推荐

Neurocomputing 投稿指南

Generation Information:选择论文所属领域。上传附件(利益声明,手稿,摘要)审稿人偏好:可以选择期待的审稿人。

qq_41174671的博客 2万+

光子回收对金属卤化物钙钛矿发光二极管中光提取效率的影响

在过去的十年中,金属卤化物钙钛矿已成为一类可用于设计高效发光器件的材料[Tan14]。 在高质量的金属卤化物钙钛矿材料中,强烈的光吸收与尖锐的起始点以及低的非辐射电荷载流子重组率导致了可观的光子回收(PR)效应的存在,这可以改善钙钛矿LEDs的光提取,因为光从引导模式重新分配到外耦合模式[Cho20]。 为了利用钙钛矿半导体(PeLEDs)中的光子回收效应的有利影响,需要准确量化内部和外部发射作为多层堆栈设计的功能。最近,提出了一种基于转移矩阵偶极子模型的模拟方法[Cho20],它允许全面分析有

FluximAG的博客 993

使用python实现随机正态分布数据,并导出到表格(超详细)

最近需要大量的正态分布的数据,为了方便,使用python实现随机正态分布,画出理想正态分布图和实际的矩形分布,并导出到表格里面。以上就是今天要讲的内容,本文仅仅简单介绍了使用python随机生成正态分布的数据,画图,并导出。正态分布是机器学习中很常见的一种需求,往往需要大量的数据进行测试,此时,本文的方法就可以大大减少因数据而花费的时间啦!如有问题,欢迎评论区留言啊!

m0_53533553的博客 1万+

费控报销选型:连锁、制造、医药三个行业的配置差异

去年冬天,一位区域连锁的财务负责人给我看了他们的一张报销单:门店租金、水电费、店长巡店的私车里程、门店备用金归还,四类费用挤在同一张单子上,月末还要按门店和成本中心拆开分摊。同一周,一家装备制造集团的财务共享中心在讨论另一件事,六个法人、三个工厂的预算要压到车间班组,报销单得能对上工单和工序。再往后一周,一家医药企业的研发财务问的是:临床三期的差旅费怎么归到具体任务上,年底加计扣除的辅助账能不能直接从系统里出。三家企业问的都是费控系统,但落到配置层面,几乎不是同一个产品。

2401_84951142的博客 76

AI工程化之生成式UI & A2UI(二)

本文介绍了生成式UI框架A2UI的架构设计与核心实现。项目采用AI协作开发模式,通过ATDD(AI驱动的测试驱动开发)确保代码质量。前端SDK基于zustand实现框架无关的状态管理,包含协议解析器、存储管理、渲染器等核心模块。重点展示了基础store构建、A2UI协议解析器的实现过程,包括mock数据准备、测试用例生成和可视化调试。项目采用monorepo管理,利用vite实现高效开发构建。整个系统设计遵循模块化原则,通过清晰的接口定义实现各组件解耦,为后续功能扩展打下基础。

qq_34306228的博客 407

避坑指南:在Ubuntu 20.04上从零部署IS-Fusion环境(含CUDA 11.1和PyTorch 1.10.1配置)

本文提供了在Ubuntu 20.04系统上从零部署IS-Fusion 3D目标检测环境的详细避坑指南。内容涵盖CUDA 11.1、PyTorch 1.10.1、spconv等核心组件的精确版本安装与兼容性配置,并指导如何准备nuScenes数据集及启动模型训练,旨在帮助研究者和开发者高效搭建稳定的多模态融合算法开发环境。

gitlab7runner的博客 553

多系统数据互不识别,AI 主数据打通制造企业数字化底座

其二,历史数据清洗依靠语义智能匹配,自动识别 “M8 螺栓” 与 “六角螺栓” 为同一实物,批量标记重复项,人工仅做最终复核,解决肉眼比对难以完成的海量查重工作。其三,治理模式从 “人追数据” 转为 “系统主动找人”:平台自动推送数据质量报表、疑似重复数据与整改方案,主动提醒异常,不用专人长期盯守数据质量。这类乱象在中小工厂比比皆是。交付上配套 “双轨带练” 模式,线下顾问驻场实操教学,线上 AI 助手随时答疑,把项目交付重心从 “上线系统” 转为 “交付自主运维能力”,实施周期与成本大幅压缩。

2601_96321215的博客 193

使用Avalonia跨Linux平台

Avalonia类似使用WPF的技术方法来开发,所以,需要会使用WPF,其中的一些语法和写法与WPF有所区别,但是他们相差不大,会WPF的话,基本上可以看看文档后,完全掌握Avalonia的使用,从而达到跨平台开发的任务。其实写法有些不一样,可以参考官网的说明,进行修改。2. 安装完成后,重启VS2022,我们可以看到1和2,其中1是使用MVVM模式开发,2是普通模式开发,我们选择2,建立项目。9.直接双击粉红色的文件,进行安装,输入密码,但是美中不足的是,好像没有图标,图标似乎需要单独去设置。

故里2130 1万+

全自动焊线机在电子制造中的落地应用与价值解析

在电子制造车间里,线束加工往往是最让人头疼的环节之一。尤其是面对那些细如发丝的信号线或是需要高精度对接的 PCB 板,传统的人工后焊工序不仅效率低下,而且极度依赖工人的手感和经验。一旦遇到订单波动或人员流动,良品率就像坐过山车一样难以控制。很多工厂管理者都经历过这样的场景:产线上堆满了待处理的线材,焊工师傅忙得满头大汗,但显微镜下查看焊点时,虚焊、连锡的问题依然频发。这种对“老师傅”的过度依赖,已经成为制约产能扩张和品质提升的隐形瓶颈。

M20260618的博客 279

解决屏幕不亮难题:慷智SerDes DE信号极性配置避坑指南

本文深入探讨了基于慷智AIM95x系列SerDes芯片的嵌入式显示系统开发中,因DE信号极性配置不匹配导致屏幕不亮的典型故障。文章详细解析了DE信号的核心作用与极性定义,提供了慷智SerDes芯片中DE极性寄存器的具体配置方法与调试记录,并给出了从隔离问题、对比时序到波形验证的系统性排查流程,帮助工程师快速定位并解决此类隐蔽问题。

weixin_29185493的博客 146

8-bit量化在YOLOv11中的部署实践-(使用PTQ、QAT量化技术实现模型体积压缩和推理加速)

本文系统介绍了YOLOv11模型量化技术,主要包括三个核心部分:首先阐述模型量化的基础理论,包括量化分类、数学原理和性能影响;其次分析YOLOv11架构特点及其量化敏感层;最后详细讲解训练后量化(PTQ)的具体实现流程。研究表明,8-bit量化可使YOLOv11模型大小缩减至1/4,推理速度提升1.7-2.3倍,精度损失控制在1%以内。文章特别强调了校准算法选择(如最小最大值法和KL散度法)对量化效果的关键影响,并提供了完整的代码实现示例,为YOLOv11的高效部署提供实用指导。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 1630

常见的制造布局:优缺点分析入门指南

走进任何一家制造工厂,您很快就会意识到,多年前做出的布局决策在悄然塑造着当今车间里发生的一切。材料行进的距离、在制品的堆积位置、检测到问题的速度,甚至团队协作的方式都受到运营的物理和逻辑布局的影响。对于 Minitab、Prolink、Simul8 和 Scytec 客户来说,制造布局不仅是工程细节,而且是在不增加机器或劳动力的情况下提高吞吐量、减少变异性和释放产能的强大杠杆。

MinitabUG的博客 201

基于Matlab的深度学习OFDM系统信号检测

在接收端,我们首先去除循环前缀,然后对接收到的信号进行FFT变换和QAM解调。在通信系统中,正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是一种常用的调制技术,它可以将高速数据流分成若干个低速子载波进行传输,提高了信道利用率和抗干扰性能。接下来,我们使用训练好的神经网络对QAM调制后的数据进行检测,得到估计的FFT变换结果。深度学习方法可以通过大量的训练数据来学习信号的特征,并具有一定的适应能力,在某些情况下可能能够获得更好的检测性能。

2301_79325657的博客 297

ETO 项目型制造 ERP 成本核算实践:项目号+零件号+实时归集

按订单设计(ETO)企业常因成本无法实时归集导致项目交付后亏损。问题根源在于成本未随项目“走”,设计变更、采购、生产等支出分散,难以追溯。解决关键在于以“项目”为核算主线,将设计、采购、生产、委外等环节的每一笔支出实时关联项目与零件,实现成本从“月底倒推”到“过程可视”。通过ERP系统(如金蝶AI星空)实现项目+零件双维度成本归集,让管理层在项目进行中即可监控超支风险,实现从“做完才知道亏”到“做着就能控”的转变。

FSXY_的博客 146

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

「制造新解法」AI项目ROI测算:建立可验证的投入产出模型

基线是 ROI 测算的锚点,没有基线,所有"提升"都是浮空的口号。业务部门提报AI项目预算时常见的回答是"行业案例显示能省20%-30%",但具体到本企业的算法路径、数据条件、人员配置,没人说得清。ROI测算的难点不是数学模型,而是缺乏一套能让业务、IT、财务三方共同采信的"测算口径"。分阶段核算让 ROI 测算从"上线第一天就要见到 100% 收益"的理想化期望,回归到"逐步释放、逐步验证"的现实路径。在逐米时代梳理的制造新解法中,ROI测算的可信度,来自收益口径、基线数据与分阶段核算三件事的统一。

2603_95716677的博客 226

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

使用Techviz虚拟仿真软件探究工业制造中的人体工程学

TechViz的虚拟现实解决方案为人体工程学评估带来了变革性的价值,为公司提供了一种高效、经济和现实的方法来评估工作站和驾驶舱设计。通过模拟真实世界的交互并为设计验证提供身临其境的环境,TechViz从一开始就提高了产品的人体工程学质量,帮助组织提供安全、舒适和高性能的工作空间和车辆。使用TechViz的VR功能,用户可以在完全沉浸式的环境中可视化、交互和评估3D数字模型,从设计的早期阶段简化人体工程学验证过程。增强的安全性:在设计过程的早期识别潜在的人体工程学危险,允许进行修改以提高操作员的安全性。

2301_81438894的博客 221

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

隐性知识断层,正在成为中小制造企业数字化的隐形天花板

以注塑调机场景举例,工艺人员不需要撰写冗长的技术文档,只需要跟着向导,录入 “薄壁件”“模温异常”“保压切换” 这类业务概念与场景描述,依托 AI 语义识别,自动完成实体识别、关系抽取、规则初步推荐,可信度偏低的内容交由人工复核确认。更关键的是,企业最珍贵的核心经验 —— 调机师傅的判断逻辑、销售的报价思路、运维的故障排查路径,超过 85% 都属于非结构化信息,散落在文档、邮件、聊天记录与人的大脑中,系统无法理解,新人也很难承接。人员流动本是常态,但真正随员工离开的,是藏在脑子里、场景化的判断逻辑。

m0_61998548的博客 299

【离散制造】断料优化:如何从材料利用率走向生产全局最优?

本文探讨离散制造中一维断料优化的挑战与升级路径。针对钢筋、型材、管材等加工场景,提出从单一材料利用率优化转向生产协同优化的必要性。分析了断料问题的组合复杂性,指出余料可复用性、设备能力、订单交期等因素对方案实效的影响。对比贪心算法、整数规划与元启发式方法,强调多目标权衡与APS系统协同的重要性。最终主张建立以材料效率为核心、兼顾生产节奏与资源约束的综合优化体系,实现真正落地的智能制造。

前鼻音的博客 293

制造企业WMS选型:从痛点到解决方案、选型方法与品牌参考

用友网络面向制造企业提供ERP及云服务,WMS可与用友U8、U9、NC/BIP等体系协同,覆盖原料仓、线边仓、成品仓的入库、在库、出库、批次效期、条码/RF作业和多工厂库存管理等制造仓储环节,并与MES、财务等系统对接。富勒科技提供WMS、TMS等物流软件,制造与供应链物流场景可覆盖多工厂多仓、线边仓、供应商寄售物料记录、批次效期、条码/RF、出入库与盘点作业,并可与ERP、MES、AGV等系统或设备对接。列痛点清单:明确多工厂、线边仓、工单领退料、齐套缺料、批次追溯、盘点、系统集成等优先级。

CWMS2025的博客 146

2032年全球 PFA管规模预计255百万美元,高端制造需求持续释放

从细分视角看,半导体超纯水与湿电子化学品输送对析出物和颗粒控制的敏感度远高于一般工业流体,PFA管在这一场景中的竞争壁垒不在耐温耐蚀,而在内壁粗糙度、端基稳定性和长期洁净度的可验证性。与此同时,PFA管挤出、扩口、焊接和接头配套工艺的成熟,使供应商能够提供从管材到连接方案的成套交付,进一步增强了其在高端流体系统中的应用竞争力。PTFE和FEP在耐腐蚀和耐温方面各具特点,PVDF在部分超纯水和化学管路中成本更低,不锈钢在高压和高温场合仍具不可替代性,PEEK则在耐磨和机械强度要求较高的场景中形成补充。

QYRese的博客 212

借鉴近30年线束制造经验:IQC来料不良的标准处理流程

本文基于上海红同电子30年线束生产经验,系统阐述IQC来料不良标准处理流程:从报检、检验、判定到隔离、评审、处置、供应商改善与数据统计,形成闭环管理。强调判定依据清晰、隔离标识严格、评审书面授权、改善闭环追踪,实现来料风险前置拦截,保障产线稳定与品质可靠。

wyuliang2020的博客 285

箔式电极 + 聚酯(PET)薄膜电容制造流程详解:从卷绕到编带包装

工序核心目的关键控制点卷绕形成电气结构张力、对齐、圈数、洁净度热压定型芯子温度、压力、时间、厚度涂脚建立电气引出端面质量、涂层厚度、附着强度封装保护与引出焊接、包封、固化、印字检测质量把关容量、损耗、绝缘、耐压、外观编带包装自动化交付编带尺寸、方向、封合强度、追溯。

m0_58656366的博客 224

外资在华制造企业SAP升级适配金税四期合规的落地路径:从风险排查到验收全流程

国内企业的SAP大多是本地部署,改字段、加接口的自由度很高,但外资制造企业的SAP基本是全球总部统一配置的模板,很多字段是适配海外税制的,比如没有国内要求的税收分类编码、发票备注栏强制字段、进销项比对维度,如果直接在全球模板上改本地字段,要么会导致总部合并报表的数据错乱,要么会在总部做全球版本升级时把本地字段直接覆盖掉。第三,如果你的团队同时要兼顾总部的全球模板要求和本地合规,不要硬扛,参考我们之前和上海瀚资 Tectura合作的经验,先做全量的字段映射再动手改,能避免90%的返工。

2601_94950676的博客 212

空圈容错·前道晶圆制造全链路结构诊断与架构优化

本文依托空圈容错理论,对前道晶圆制造进行全链路结构审计。核心发现:FDC/VM/PdM 三系统真实独立证据数仅 n≈1.3~1.5,且产线记了所有参数,却没记放行判据。本文给出架构改造:区分拦放行边的【真闸】与拦数据源的【半闸】,并指出行业典型死法——闸建在面板上,未建在转移边上。本方案不替代现有 SPC/APC 体系,只做证据链与状态机的视角补充。

Liaiyang66的博客 83

不同营收规模制造企业SAP升级,全周期投入成本该怎么测算?

如果拿不准成本结构是否合理,可以找有制造行业落地经验的团队做一次缺口盘点,比如上海瀚资 Tectura 出具的盘点报告,会把每个模块的适配成本列得明明白白,你拿着这份清单对比不同实施商的报价,就不会被漫天要价了。我之前陪一个客户做盘点时,上海瀚资 Tectura 的顾问团队花2周时间,把客户现有系统里47个自定义功能、12个跨系统接口全部梳理清楚,最后算出来的预算和实际落地偏差只有8%,远低于行业平均30%的超支率。大型集团要把多组织、多工厂的适配成本拆到每个站点,不要按总部的费用直接乘工厂数量。

2601_94950676的博客 183

【C/C++ 第一次跨越(上):用 C++11/14 停止制造新的旧代码】

本文聚焦遗留C++系统迁移的第一阶段,提出“最小安全集”改造策略:优先使用unique_ptr明确所有权、通过Pimpl减少头文件依赖、以nullptr和enum class消除歧义,强调先理清资源管理逻辑,再逐步引入现代特性。反对盲目替换所有裸指针或滥用智能指针,主张接口清晰表达“拥有”与“借用”,确保新增代码不引入资源泄漏与生命周期隐患。核心理念:克制、可审查、可维护的渐进式现代化。

一起学习进步! 424
上一篇: 用于可靠的钙钛矿薄膜瞬时光致发光模拟的拟合程序
下一篇: 如何减少大面积有机太阳能电池的损失通道和缺陷
FluximAG
博客等级 码龄5年 133粉丝 37原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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