1.Indentation of small format Lithium-ion pouch cells:Experiments and modeling
小尺寸软包锂离子电池的压痕：实验和建模
翻译：李红刚
软包锂离子电池被广泛应用于手机和电动汽车电池组等。 该文对4Ah的软包电池进行了一系列的压痕实验。实验项目包括了六种不同的压头半径的半球形压痕，以及具有三种直径的圆柱形压头的压痕。除了改变压头的形状和大小，加载的位置和方向也是不同的，包括矩形和棱形的软包电池的面内和面外加载。采用2D和3D DIC监测表面变形场，揭示了力-位移曲线斜率的突变与电池自由边缘的垂直提升之间的相关性。事后拆解评估表明，边缘提升是由于压头周围的环形强剪切区域存在局部剪切。对于圆柱形压痕，未变形电池材料围绕压头的旋转随着压头半径的增加而增加。研究发现，半球形压头的压痕测试中获得的力-位移曲线与压头尖端半径成线性比例，而对于圆柱形压头的压痕实验中则观察到与半径的平方根成比例。进而使用增强的Deshpande-Fleck塑性模型和两阶段硬化对所有的实验工况都进行了有限元模拟。研究发现，尽管电芯具有正交各向异性，各向同性的塑性模型进行的模拟与实验的力-位移曲线符合较好。该研究结果表明：软包电池中的金属集流体具有的异常高的长细比，软包电池早期主要是屈曲失效而不是在平面内承受压缩载荷。
图1.(a) 三维DIC获得的电池上表面纵向位移和底面的变形场；(b)表面垂直位移的演化；(c) 软包电池在柱状压痕下的变形。
Tancogne-Dejean T, Mohr D. Indentation of small format Lithium-ion pouch cells: Experiments and modeling, International Journal of Solids and Structures 2022; 257: 111900.
Tancogne-Dejean T, Grolleau V, Mohr D. Strain rate dependent plasticity of lithium-ion pouch cells: Experiments and simulations, International Journal of Impact Engineering 2022; 159: 104048.
2.An Interlocking Fibrillar Polymer Layer for Mechanical Stability of Perovskite Solar Cells
一种用于提升钙钛矿太阳能电池机械稳定性的互锁纤维聚合物层
翻译：张美合
随着钙钛矿太阳能电池光电转化效率近年来持续飙升，拓展其作为便携式与可穿戴设备供能电源的商业应用迫在眉睫。柔性电池的机械稳定性在其中起到了决定性作用，然而根据实验数据发现，钙钛矿电池断裂能（Gc）低于1.5J/m2，不及铜铟镓硒电池（CIGS），非晶硅电池及有机太阳能电池。为提升柔性钙钛矿太阳能电池内部抗断裂性能，该文介绍了一种界面工程技术，在钙钛矿层与空穴传输层（HTL）之间诱导生成纳米纤维网络，从而提高机械载荷下的界面性能，并同时增强界面电荷迁移率与导电性。其中这种纳米纤维网络即为PCDTBT分子，该分子通过Π-Π键相互作用进行自组装，并形成更长的原纤维，使得长纳米纤维在PCDTBT薄膜内形成纤维网络。通过双悬臂梁（DCB）测试可发现，原纤维网络通过诱导裂纹偏转而阻碍裂纹的扩展，从而获得了更高的界面结合强度，断裂能增加为原来的1.7倍。光电性能测试结果表明引入互锁纤维聚合物层的柔性钙钛矿太阳能电池具有更为优异的光伏性能与机械稳定性，无纤维网络电池光电转化效率仅9.21%，而引入互锁纤维聚合物层的电池光电转化效率提升至14.34%。
图2.（a）钙钛矿层和PCDTBT层之间界面处的脱粘表面上的扫描电镜图像；（b）通过DCB测试测量界面处的断裂能量，并根据界面处是否存在原纤维，提供脱粘机构的示意图；（c）钙钛矿表面上的拓扑AFM图像.；（d) PCDTBT表面上的拓扑AFM图像。
Jeong S, Lee I, Kim T S, et al. An Interlocking Fibrillar Polymer Layer for Mechanical Stability of Perovskite Solar Cells. Adv. Mater. Interfaces 2020; 7(23): 2001425.
3.Increasing the interlayer strength of 3D printed concrete with tooth-like interface: An experimental and theoretical investigation
利用齿状界面提升3D打印混凝土的层间强度：实验与理论研究
翻译：崔泽森
3D打印混凝土具有各向异性，其层间强度低于另外两个方向的强度。为解决此问题，该文通过设计齿状层间界面来提升层间界面的结合强度，齿状界面的形状通过设计喷嘴构型实现，如图3（a）。对含有不同齿角层间界面的试样做了拉伸及剪切测试（图3（b和c）），其中拉伸测试的试样通过环氧树脂与夹具连接。试验结果显示，齿角为45°的齿状界面使层间拉伸强度和剪切强度分别提升了294%和89%（图3（d和e）），且破坏模式由纯粘接破坏转变为粘接和内聚的混合破坏，而齿角为15°时试样破坏模式仍为界面的粘附破坏，强度提升并不明显。最后，该文还建立了层间强度与界面齿角关系的理论模型，层间强度通过齿角、空隙比、层间界面的粘附强度以及基体的内聚强度解析表示。该文提出的模型能够有效预测不同齿角下的层间强度（图3（f））。
图3.（a）齿状喷嘴示意图；（b）拉伸测试；（c）剪切测试；（d）不同齿角试样的拉伸强度（0°、15°和45°）；（e）不同齿角试样的剪切强度（0°和45°）；（f）层间强度理论模型的拉伸强度预测值随齿角变化的包络线。
L.He, H. Li, W.T. Chow, et al., Increasing the interlayer strength of 3D printed concrete with tooth-like interface: An experimental and theoretical investigation, Materials & Design 223 (2022) 111117.
4.High-Efficient Energy Harvester With Flexible Solar Panel for a Wearable Sensor Device
用于可穿戴式传感器设备的带柔性太阳能电池板的高效能量收集器
翻译：强钰钊
该文提出了一种使用柔性光伏（FPV）模块来延长室内和室外条件下的可穿戴传感器节点的电池寿命的最佳能量收集器（OEH）。该文所提出的传感器节点使用低能耗蓝牙模块与移动设备进行无线通信以监测重要信号。一个19厘米×4厘米的FPV模块可以很容易地贴合人体轮廓，同时产生高达500毫瓦的峰值功率，以便在户外环境中为电池充电。为了优化在各种辐射下收集能量的功率，OEH设计了一个用于收集室内低能量的升压电路和一个用于收集室外高能量的最大功率点跟踪器。升压器可以在0.65-3V的输入电压范围内工作，产生3.3V的稳定输出电压，它的转换效率高达95%。MPPT使用模糊推理引擎来寻找为系统供电所需的FPV的MPP。该研究实验结果表明，在辐照度只有2.9 mW/cm2的情况下，本文提出的设备可以延长高达950%的电池使用寿命，同时所提出的节点在部分遮阳和阳光条件下成为一个自主节点。因此，该文可以为延长可穿戴传感器设备的电池寿命提供一个有用的解决方案。
图4.在三种不同的光照条件下：房间、阴影和阳光，用于采集FPV电池太阳能的最佳能量收集器。
T.V. Tran and W. -Y. Chung, "High-Efficient Energy Harvester With Flexible Solar Panel for a Wearable Sensor Device," inIEEE Sensors Journal, vol. 16, no. 24, pp. 9021-9028, 15 Dec.15, 2016, doi: 10.1109/JSEN.2016.2616114.
5.Fatigue life prediction of glass fiber reinforced epoxy composites using artificial neural networks
基于人工神经网络的玻璃纤维增强复合材料疲劳寿命预测方法
翻译：李爱家
玻璃纤维增强复合材料因其微观结构具有较为复杂的疲劳行为，而传统疲劳研究耗时长、且具有较大的数据分散性，为此该文提出了一种基于人工神经网络的弯曲疲劳寿命预测方法。首先，作者对复合材料采用了旋转弯曲疲劳试验，获得了不同载荷下的疲劳寿命和疲劳破坏形貌，如图5（a）所示。紧接着，该文使用了人工神经网络研究疲劳载荷与疲劳寿命之间的联系，以预测材料的疲劳寿命，其核心技术是将已有的数据带入MATLAB软件作Levenberg-Marquardt算法训练，具体流程如图5（b）所示。图5（c）展示了人工神经网络方法的预测结果，可以看出这种方法具有较高的精度，并且该方法与传统试验法的结果相关系数为0.99857，验证了在疲劳寿命建模方面的可行性。此外，作者采用共轭梯度反向传播算法对疲劳破坏的三种模式（基体开裂、界面脱粘和界面劈裂）作了分类，如图5（d），结果表明人工神经网络方法适用于疲劳模式的分析与归类。
图5. （a） 试验测得的疲劳寿命；（b）人工神经网络方法的流程图；（c）预测结果与试验结果的对比；（d）使用人工神经网络对失效模式的分类
Hemanth Kumar C, Swamy RP. Fatigue life prediction of glass fiber reinforced epoxy composites using artificial neural networks. Composites Communications 2021;26:100812.
6.Efficient processing of μCT images using deep learning tools for generating digital material twins of woven fabrics
使用深度学习工具高效处理μCT图像，生成机织物的数字材料孪生体
翻译：王焕芳
从μCT图像创建数字材料孪生体的最大挑战是：缺乏用于分割μCT图像和将分割体积后处理为有限元网格的通用工具。因而该文针对深度卷积神经网络（DCNN）分割多层平纹织物的μCT图像首先从单层织物的灰度体积中提取的一组原始2D图像切片用于使用手动注释图像训练DCNN。然后，使用一些“看不见”的手动分割图像对训练后的DCNN进行测试，结果达到96%以上的全局准确性。另外，训练后的DCNN还被以较高的精度用于从织物的多层堆叠中分割“看不见”的图像。该文还成功开发了一种基于“分水岭分割”技术的新方法，用于在分割体积的后处理过程中从连接的纱线横截面中分离单独的纱线。该文提供了一个有效的框架，用于分割机织物的CT扫描图像，以生成其数字材料孪生体和有限元网格。
图6. 数据处理示意图：（a）DCNN的数据准备和训练；（b）将训练有素的DCNN应用于μCT图像的语义分割和分割体积的后处理，以生成机织物的数字材料孪生体。
Ali MA, Guan Q, Umer R, Cantwell WJ, Zhang T. Efficient processing of μCT images using deep learning tools for generating digital material twins of woven fabrics. Compos. Sci. Technol. 2022;217. 109091.