Abstract This review gives first a brief view of the potential availability of sustainable energy. It is clear that over 100 times more solar photovoltaic energy than necessary is readily accessible and that practically available wind alone may deliver sufficient energy supply to the world. Due to the intermittency of these sources, effective and inexpensive energy-conversion and storage technology is needed. Motivation for the possible electrolysis application of reversible solid-oxide cells (RSOCs), including a comparison of power-to-fuel/fuel-to-power to other energy-conversion and storage technologies is presented. RSOC electrochemistry and chemistry of H2O, CO2, H2, CO, CnHm (hydrocarbons) and NH3, including thermodynamics and cell performance, are described. The mechanical strength of popular cell supports is outlined, and newly found stronger materials are mentioned. Common cell-degradation mechanisms, including the effect of common impurities in gases and materials (such as S and Si), plus the deleterious effects of carbon deposition in the fuel electrode are described followed by explanations of how to avoid or ease the consequences. Visions of how RSOCs powered by sustainable energy may be applied on a large scale for the transportation sector via power-to-fuel technology and for integration with the electrical grid together with seasonal storage are presented. Finally, a brief comparison of RSOCs to other electrolysis cells and an outlook with examples of actions necessary to commercialize RSOC applications are sketched.

The fragmentation size distribution is an important index to evaluate blasting effect. Based on stress wave theory, a blasting fragmentation distribution model is established, and the key influencing factors were clarified. Then, the distribution characteristics of rock fragmentation in water-coupled blasting and air-coupled blasting were compared and verified by numerical simulation and field test. The results show that the rock blasting fragmentation size is negatively correlated with borehole pressure and unit explosive consumption when blasting rock is determined. The existence of water slows down the attenuation of blasting load, prolongs the duration, and makes the blasting pressure transmitted to hole wall significantly greater than air-coupled one, which is equivalent to increasing the unit explosive consumption. Moreover, the rock fracture development speed and fragmentation degree of water-coupled blasting is significantly higher than air-coupled blasting. Comprehensively determined in same charging parameters, water-coupled blasting compared with air-coupled blasting can improve the degree of rock fragmentation, the average size of rock after blasting is smaller, more uniform particle size distribution. The research results for the control of blasting and optimization of explosive energy utilization have important reference significance.

Introduction Machine learning-based power transformer fault diagnosis methods often grapple with the challenge of imbalanced fault case distributions across different categories, potentially degrading diagnostic accuracy. To address this issue and enhance the accuracy and operational efficiency of power transformer fault diagnosis models, this paper presents a novel fault diagnosis model that integrates Neighborhood Component Analysis (NCA) and k-Nearest Neighbor (KNN) learning, with the incorporation of correction factors. Methods The methodology begins by introducing a correction factor into the objective function of the NCA algorithm to reduce the impact of sample imbalance on model training. We derive a sample parameter correlation quantization matrix from oil chromatography fault data using association rules, which serves as the initial value for the NCA algorithm’s training metric matrix. The metric matrix obtained from training is then applied to perform a mapping transformation on the input data for the KNN classifier, thereby reducing the distance between similar samples and enhancing KNN classification performance. Hyperparameter tuning is achieved through the Bayesian optimization algorithm to identify the model parameter set that maximizes test set accuracy. Results Analysis of the transformer fault case library reveals that the model proposed in this paper reduces diagnostic time by nearly half compared to traditional machine learning diagnosis models. Additionally, the accuracy for minority sample classes is improved by at least 15% compared to other models. Discussion The integration of NCA and KNN with correction factors not only mitigates the effects of sample imbalance but also significantly enhances the operational efficiency and diagnostic accuracy of power transformer fault diagnosis. The proposed model’s performance improvements highlight the potential of this approach for practical applications in the field of power transformer maintenance and diagnostics.

To explore effective strategies for optimising the grain size of experimental steel, a thermal simulation experiment was utilised within a temperature range spanning from 650 °C to 950 °C, at strain rates varying from 0.1 to 10/s, with a true strain of 0.918. Through thermal compression, the grain size could be reduced from 103.4 μm in the forged sample to a minimum of 11.6 μm (0.1 s −1 –950 °C). The double-hyperbolic sine constitutive model was developed based on the flow stress curves, with the thermal activation energy for plastic deformation determined to be 514.66 kJmol −1 . The critical conditions for recrystallisation were identified as [Formula: see text]. Combined with microstructural observations, it was determined that grain refinement primarily occurred through the dynamic recrystallisation mechanism and the deformation induced ferrite transformation mechanism. Additionally, within the deformation temperature range spanning from 850 °C to 950 °C, residual austenite emerged and its distribution was affected by the temperature.