摘要
硫系玻璃作为一种重要的非晶态材料，其粘温特性对玻璃的制备、加工以及性能至关重要。
深入理解硫系玻璃粘温特性的动力学参数，对于优化其制备工艺、调控其性能以及拓展其应用领域具有重要意义。
本文首先介绍了硫系玻璃和粘温特性动力学参数的相关概念，并回顾了传统粘温特性动力学参数评测方法，包括Arrhenius方程、Vogel-Fulcher-Tammann(VFT)方程以及MYEGA方程等，分析了其优缺点。
进而，针对传统方法的局限性，本文重点综述了近年来新兴的基于机器学习的评测方法，包括支持向量机、人工神经网络和深度学习等，探讨了其在硫系玻璃粘温特性预测方面的应用潜力。
最后，对硫系玻璃粘温特性动力学参数评测方法的未来发展趋势进行了展望。
关键词：硫系玻璃；粘温特性；动力学参数；评测方法；机器学习
硫系玻璃是一类以硫族元素（S、Se、Te等）为主要成分的非晶态材料，具有优异的光学、电学和热学性质，在红外光学器件、非线性光学器件、光存储、光伏器件、传感器等领域展现出巨大的应用潜力[1-3]。
粘度是表征玻璃材料流动性的重要物理量，直接影响着玻璃的熔融、成型、加工以及最终性能。
粘度随温度的变化关系，即粘温特性，是玻璃材料研究的重要内容之一。
粘温特性通常采用动力学模型进行描述，模型中的参数被称为粘温特性动力学参数，这些参数能够反映玻璃结构和粘性流动机理之间的关系[4]。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
