Flexoelectricity was investigated as a function of temperature in paraelectric and ferroelectric phases of barium titanate ceramic. The flexoelectric coefficient μ12 was measured dynamically at small level of strain gradients. μ12 is around 5μC∕m in orthorhombic phase, rises to about 10μC∕m at room temperature, and peaks at ∼50μC∕m near tetragonal-cubic phase transition point. The coupling effect between mechanical strain gradient and electric polarization is found to be nonlinearly enhanced by high dielectric permittivity and domain contribution in barium titanate. In inhomogeneously strained ferroelectrics, mechanical gradient field may impact electric polarization in a way analogous to electric field.

The strain-gradient-induced polarization (flexoelectric effect) was investigated in Ba0.67Sr0.33TiO3 (BST) ceramic at temperatures above the 21 °C Curie point. At 23 °C the flexoelectric coefficient μ12 was more than one order of magnitude greater than the highest value measured in lead magnesium niobate ceramic. Over the temperature range of linear Curie–Weiss behavior, the coefficient μ12 was roughly proportional to the dielectric permittivity; however, the constant of proportionality was higher than predicted for simple ionic solids. The unexpected behavior in the BST ceramic suggests the need for a broader database of flexoelectric coefficients.

With the development of science and technology and the improvement of hardware computing power, the application of large models in the field of artificial intelligence (AI) has become a current research hotspot Among the focal points in the field of deep learning, AI for science is one of the highlighted areas, utilizing deep learning methods for pattern recognition, anomaly detection, predictive analysis, and more on a large scale of scientific data. In the realm of materials science, the structure of crystals is composed of edges and nodes, making it readily representable as a graph. In previous research, some typical models, such as the MEGNet model, utilized their graph neural network features to fit computational results based on density functional theory for predicting various material properties. Building on this concept, the authors propose a novel graph neural network (GNN) model, optimized with a Multi-Head Self-Attention (MHSA) mechanism, for predicting materials data with crystal structures. This model is named self-attention enhanced graph neural network. The model segments the input data into three parts: edges, nodes, and global features. The graph convolutional layer module is primarily used for aggregating node, edge, and global features, learning node representations, and capturing higher-order neighborhood information through multiple layers of GNN. The MHSA component allows nodes to learn global dependencies, providing different representation subspaces for the nodes. In comparison with other machine learning and deep learning models, the results indicate an improvement in the predictive accuracy of this model. A new graph neural network (GNN) model called Self-Attention Enhanced Graph Neural Network (SA-GNN) is proposed for predicting the properties of materials with crystal structures. This model incorporates multi-head self-attention to allow nodes to learn global dependencies and generate different representational subspaces. Compared to other machine learning and deep learning models, the results show improved predictive accuracy, demonstrating the potential of graph networks combined with self-attention for modeling crystal material data.

Two industrial solid wastes, Ti-bearing blast furnace slag (TBFS) and diamond wire saw silicon waste (DWSSW), contain large amounts of Ti and Si, and their accumulation wastes resources and intensifies environmental pollution. In the present study, DWSSW was used as the silicon source to reduce titanium oxide in TBFS by electromagnetic induction smelting, and meanwhile Na

The sulfur in petroleum coke is harmful to carbon products, underscoring the importance of desulfurization for high-sulfur petroleum coke. This paper proposes a method combining alkaline catalytic roasting with ultrasonic oxidation for the deep desulfurization of high-sulfur petroleum coke. The results show that the desulfurization rate reaches 88.99% and the sulfur content is reduced to 0.83 wt.% under a coke particle size of 96–75 μm, sodium-hydroxide-to-petroleum-coke ratio of 50%, roasting temperature of 700 °C, and holding time of 2 h. The alkali-calcined petroleum coke is ultrasonically oxidized and desulfurized in peracetic acid. The results show that, under a hydrogen peroxide content of 10%, hydrogen-peroxide-(liquid)-to-petroleum-coke (solid) ratio of 20 mL/g, acetic acid content of 5 mL, ultrasonic power of 300 W, reaction temperature of 60 °C, and reaction duration of 4 h, the sulfur content is reduced to 0.15 wt.% and the total desulfurization reaches 98.01%. Through a series of characterizations, the proposed desulfurization mechanism is verified. Alkali roasting effectively removes a significant portion of sulfur in petroleum coke. However, the elimination of certain sulfur compounds, such as the more complex thiophene, presents challenges. The thiophene content is subsequently removed via ultrasonic oxidation.