研究生教育
当前位置: 首页 >> 研究生教育 >> 导师信息 >> 正文
机械学院网站导师介绍 - 陈俊先
时间:2024年06月25日 11:05  阅读次数:[]

       




 

姓名:陈俊先

性别:男

职称:讲师

学历学位:研究生 博士

硕士生导师

研究方向:材料使役性能测试技术与智能装备

电话:

E-mail:chenjunxianie5@gmail.com

 

个人简介

教育经历:

2011.09-2015.06 燕山大学 yl23455永利官网 机械设计制造及其自动化 工学学士

2015.09-2018.06 燕山大学 yl23455永利官网 机械设计及理论         工学硕士

2018.09-2023.06 吉林大学 yl23455永利官网 先进制造               工程博士

科研经历:

2018.9-2021.12军委装备预研(41422050301):高温复杂载荷下防热复合材料的原位测试与虚拟试验技术研究

(1)       项目职责:负责双轴试验仪器、超高温腔研制,双轴应力测试技术、超高温加载技术研究。

(2)       研究内容:1.机械结构非参数优化技术; 2.测试装备同轴度校正理论与方法;4. 多轴同步控制技术。

2018.10-2021.9  科技部重大科学仪器设备开发(2018YFF01012400):“高温高频材料力学性能原位测试仪器开发与应用”,参与。

2020.1-2024.12  国家杰出青年科学基金项目(51925504):“材料微观力学性能原位测试原理与技术”,参与。

工作经历:

2023.10 - 至今  yl23455永利官网 永利www官方网址

 

教学情况

主讲或参与讲授的本科生及研究生课程情况:

主讲本科生机械设计制造技术基础工程经济学、机工程经济学电一体化、工程测试技术四门课程。

  

研究课题

1、材料使役性能测试技术与智能装备研发;

2、极端环境下述材料多轴强度理论与技术研究;

3、多轴同步控制理论与技术研究;

4、机械结构优化与一体化设计。

   

获奖及专利

1、张建海,赵宏伟,陈俊先,孟凡越,孙书博,万杰,秦学志,万文斗,袁堂虎. 超高温高频材料力学性能测试仪器及方法 ,授权时间:2022年 4月 1日 ,专利 号:ZL 201910400956.3

 

主要论文及著作

吉林大学先进制造专业工程博士,主要从事极端环境下材料使役性能测试技术及智能装备的研发,紧密围绕超高温复合材料在复杂热-力环境中的使役性能,掌握了连续纤维增强复合材料性能测试与分析方法,参与了军委装备预研、科技部重大科学仪器设备开发及国家杰出青年科学基金项目等多个国家级项目,发表SCI/EI论文7篇,授权发明专利1项。

1. Junxian Chen, Jianhai Zhang & Hongwei Zhao (2022) Quantifying alignment deviations for uniaxial material mechanical testing via automated machine learning, Mechanics of Advanced Materials and Structures.;

2. Chen, J.; Zhang, J.; Zhao, H. Designing a Cruciform Specimen via Topology and Shape Optimisations under Equal Biaxial Tension Using Elastic Simulations. Materials 2022, 15, 5001.;

3. Chen, J.; Zhang, J.; Zhao, H. Quantifying Alignment Deviations for the In-Plane Biaxial Test System via a Shape-Optimised Cruciform Specimen. Materials 2022, 15, 4949.;

4. Chen, J.; Zhang, J.; Zhao, H. Development and Experimental Verification of a High-Temperature and In-Plane Biaxial Testing Apparatus. Machines 2022, 10, 1054.。

5. Chen, J.; Zhang, J. Quantification of the Loading Coaxiality for the Uniaxial Material Test System with a Cylindrical Specimen via Optimized Neural Network . Journal of Physics: Conference Series, 2022.( EI, Accession number: 20224413022408);

6. Chen, J.; Zhang, J. Optimal Boundary Shape of the Cruciform Specimen for the In-plane Biaxial Test . Journal of Physics: Conference Series, 2022.(EI, Accession number: 20224312999227) ;

7. Chen, J.; Zhang, J. Predicting the Misalignments of the Material Test System through a Thick-flat Specimen via Machine Learning; ICAITA 2022. IOP Publishing Ltd. (EI, Accession number: 20230113328136).








关闭