上新了！昆明理工大学近期科研成果速览~~~

材料科学与工程学院荣菊、化学工程学院李金成等联合指导的研究生，在锌空气电池高通量计算与验证领域取得研究进展。相关研究成果以“Thermal Evaporating-Trapping Strategy to Synthesize Flexible and Robust Oxygen Electrocatalysts for Rechargeable Zinc-Air Batteries”为题，发表在能源领域顶级期刊《Energy & Environmental Science》上。昆明理工大学为论文第一完成单位。

锌空气电池具有价格低廉、安全性能好、能量密度高等优势，被认为是具有发展前景的新一代储能器件。锌空气电池性能主要受限于其空气电极上动力学缓慢的氧还原反应（ORR）与氧析出反应（OER）及其反应物/产物的扩散路径与电子传输效率，因此，研发低成本且高性能的多功能空气电极应用于锌空气电池，备受科研工作者的关注。

本研究创新性地提出一种热驱动金属原子迁移-捕获策略，在柔性N掺杂碳纤维布基底上锚定单原子Fe/Co-NX团簇与CoFe纳米颗粒，获得ORR/OER催化活性高，反应物/产物及电子输运快的多功能空气电极。这一策略使得电极表面同时具备了ORR与OER的双功能催化性能，大大提高了电化学反应的效率。最终的实验结果表明，该催化剂在锌空气电池应用中表现出卓越的性能，液态和固态电池的峰值功率密度分别达到237.4 mW cm-2和141.1 mW cm-2，经过2300次充放电循环后性能保持稳定。

该研究工作得到了国家自然科学基金云南省联合基金、云南省高层次人才计划、云南省优青计划及云南省磷化工节能与新型磷材料重点实验室的支持。本研究进一步推动了高效储能材料的设计与开发，展示了机器学习技术在新能源领域的广阔前景。

论文链接地址：

https://pubs.rsc.org/en/content/articlelanding/2024/ee/d4ee03005b

材料科学与工程学院陈江照教授团队在国际化学顶级期刊《Angewandte Chemie-International Edition》上以“Simultaneous suppression of multilayer ion migration via molecular complexation strategy toward high-performance regular perovskite solar cells”为题发表最新研究成果，该研究工作得到国家自然科学基金面上、兵团重点领域科技攻关计划等项目的资助。

Figure 1. Theoretical insights into inhibition mechanisms of mobile Li+ ions.

Li+、I-和Ag的迁移和扩散阻碍了长期运行稳定的钙钛矿太阳能电池（PSCs）的实现。鉴于此，陈江照教授团队提出了一种多功能主客体络合策略，将路易斯碱配体双（2,4,6-三氯苯基）草酸酯（TCPO）掺入Spiro-OMeTAD HTL，通过主客体络合相互作用，TCPO可以同时抑制Li+、I-和Ag的迁移和扩散，从而稳定钙钛矿层、HTL和银电极及其界面。此外，TCPO促进了Spiro-OMeTAD的掺杂过程，加速了空穴提取和转移。TCPO掺杂后，钙钛矿薄膜表面缺陷减少，陷阱辅助的非辐射复合降低。引入两个疏水三氯苯基增强了HTL的防潮性，并保护了底层钙钛矿薄膜免受环境空气中水分的侵袭。掺杂TCPO的正式器件实现了25.68%的冠军PCE（认证效率为 25.59%）。未封装的TCPO掺杂器件在最大功率点（MPP）连续运行730小时后衰减仅9.98％，在30％相对湿度（RH）的环境空气中老化2800小时后仍能保持初始效率的94.1％，这是迄今为止正式PSC报道的最高稳定性之一。该研究显著提高了正式器件的稳定性，为后续相关研究和商业应用奠定了坚实的基础。该工作通过合理设计多功能Lewis碱配体分子，为通过主客体络合策略提高PSC的光伏性能和长期稳定性提供了有价值的参考和指导。

Figure 2. Photovoltaic performance and long-term stability of devices without and with TCPO.

论文链接地址：

https://onlinelibrary.wiley.com/doi/10.1002/anie.202416605

建筑工程学院生物力学及微纳米软材料力学研究团队李帅老师在力学超材料领域的研究取得重要进展，相关成果发表在力学领域知名期刊《Thin-Walled Structures》（中科院1区top）上，昆明理工大学为唯一通讯单位，第一单位为西北工业大学。《Thin-Walled Structures》是力学、机械、工程等领域知名期刊。该研究成果入选2024年11月Web of Science工程学（Engineering）领域 ESI 最优秀的0.1%热点论文（Hot paper）。

具有负泊松比的超材料由于其独特的力学性能，近年来引起了研究者的广泛关注。这种材料具有受拉膨胀、受压收缩的特性，与传统材料的力学性能截然相反，因此超材料在需要材料具备在拉伸和压缩荷载下同时收缩或膨胀的某些特殊服役环境下具有广阔的应用前景。

论文提出了一种将内凹六边形与常规六边形蜂窝结构结合排列的独特超材料。该材料在设计方面充分利用了常规六边形结构在压缩荷载下膨胀的正泊松比效应，和内凹六边形蜂窝结构在拉伸荷载下膨胀的负泊松比效应，通过有限元计算模拟和实验实际测量对比分析了超材料的横向和纵向位移，证实了该超材料在拉伸和压缩荷载下都能达到膨胀的力学特性。该超材料既能以三维立体结构形式呈现，也能以壳体结构形式呈现，展现出在血管/食管支架和骨/软骨替代领域广阔的应用前景。

生物力学及微纳米软材料力学研究团队聚焦于力学与生物医学领域的交叉融合研究，今年以来，已在Thin-Walled Structures，Computer Methods and Programs in Biomedicine，Acta Mechanica Sinica（1篇）等中科院1、2区学术期刊及医学领域期刊Biophysical Journal、Frontiers in Physiology上发表了一系列高水平论文，获得了国内外广泛关注。

论文链接地址：

https://doi.org/10.1016/j.tws.2024.112225

建筑工程学院“云南省教育厅基础设施智能运维科技创新团队”在桥梁健康监测数据挖掘方向取得重要进展，相关成果以“Automated seismic event detection considering faulty data interference using deep learning and Bayesian fusion”为题发表于土木工程顶级期刊Computer-Aided Civil and Infrastructure Engineering（中科院1区Top），并将成为2025年6月封面文章。这也是学校在该期刊上首次发表论文。

昆明理工大学唐志一老师为本论文第一作者，广东工业大学贺景然副教授、阿尔托大学张友奇博士为共同通讯作者，哈尔滨工业大学鲍跃全教授为本论文作出了重要贡献。

随着我国城镇化率不断提高，建筑业由高速增长转向高质量发展、由增量扩张转向存量维护，工程结构的运行维护愈发受到重视。地震等极端事件可导致结构性能的快速劣化，因而需要及时、准确识别。然而，当前的桥梁健康监测系统易受故障数据干扰，导致分析识别结果不一致；同时，人工干预导致时效性降低，增加了威胁结构安全的潜在风险。

因此，团队提出一种基于深度学习和贝叶斯融合的地震事件自动识别方法。方法首先模仿人类专家的数据分析过程，将一维时序数据在高维图像空间进行表达，考虑了工程应用中难以避免的系统故障数据干扰，将地震事件与故障数据的混合识别建模为图像多分类问题，利用迁移学习技术快速训练具备视觉可解释性的深度神经网络进行地震事件的时空离散识别。利用贝叶斯推理融合识别结果，实现针对大跨度桥梁全局一致的快速、准确识别。该方法赋予了系统对监测数据的事件级别语义理解能力，推动发挥海量结构健康监测数据的基础要素价值。

“云南省教育厅基础设施智能运维科技创新团队”聚焦大型土木市政基础设施的智能运维理论与技术研究，近年已在Water Resources Research、Reliability Engineering & System Safety、Expert Systems with Applications、Construction and Building Materials、Measurement等中科院1、2区TOP学术期刊上发表一系列高水平论文，获得了国内外广泛关注。

论文链接地址：

https://onlinelibrary.wiley.com/doi/full/10.1111/mice.13377

材料科学与工程学院李江南老师与清华大学开展合作研究，探索深度学习神经网络对传统微磁学计算的加速和拓展，相关研究成果近期以封面文章形式刊登于人工智能领域顶级国际期刊Nature Machine Intelligence上，文章题目Fast and generalizable micromagnetic simulation with deep neural nets。昆明理工大学为论文的第一单位和第一通讯单位。

微磁学模拟基于Landau-Lifshitz-Gilbert方程对于磁性材料的磁化状态演化做计算，在磁存储、永磁体等领域有广泛应用。计算过程涉及全局的静磁相互作用，具有O(N^2)的计算复杂度，造成模拟计算的时间困难。传统有限差分（FDM）框架下，静磁相互作用采用快速傅里叶变换（FFT）算法加速，计算复杂度降低至O(NlogN)，但对于大尺度模拟计算来说仍不实用。

此研究中，研究团队报道了一种NeuralMAG深度学习微磁模拟方案，该方案遵循Landau-Lifshitz-Gilbert迭代框架，但针对静磁相互作用，特别地引入U型神经网络（Unet）以加速计算。该方案下模拟计算的复杂度降低至O(N)，对于大尺度模型下静磁场的计算加速可高达6倍。此外，同等模型下，NeuralMAG对于GPU储存的占用率也优于传统FDM微磁学方法，使得开展大尺度模型的模拟研究成为可能。

NeuralMAG具有内禀的可泛化特性，可适用于跨尺度、跨形状、跨材料的多种微磁学模拟任务。为验证这一点，研究团队开展了随机初始磁化磁性薄膜的收敛过程模拟，结果显示，NeuralMAG对于完全随机初始化的模拟存在明显误差，但通过引入预冷却过程，NeuralMAG可以很好地复现收敛过程中磁性涡旋的数量和性质变化。在三组对照实验中（固定外形材料、随机外形、随机材料），对于训练可见的模型尺寸，NeuralMAG对稳态涡旋的预测成功率均大于92%（预冷却参数=5），对于训练中未知的更大模型尺寸，NeuralMAG的预测成功率依然在85%以上，由此验证了NeuralMAG所具有的可泛化特性。

昆明理工大学材料科学与工程学院教师、云南省先进粉体材料创新团队成员李江南为论文的第一通讯作者；中国科学院物理所研究员蔡云麒（原昆工信自学院教师）为论文的第一作者；清华大学北京国家信息研究中心王东教授为论文的共同通讯作者。该项研究工作获得了国家自然科学基金委、云南省科技厅等机构的基金项目支持。

论文链接地址：

https://doi.org/10.1038/s42256-024-00914-7