中国17种稀土有啥军事用途?没它们,美军技术优势将归零

640?wx_fmt=jpeg

来源:陶慕剑观察


稀土就是化学元素周期表中镧系元素——镧(La)、铈(Ce)、镨(Pr)、钕(Nd)、钷(Pm)、钐(Sm)、铕(Eu)、钆(Gd)、铽(Tb)、镝(Dy)、钬(Ho)、铒(Er)、铥(Tm)、镱(Yb)、镥(Lu),再加上钪(Sc)和钇(Y)共17种元素。


中国稀土占据着众多的世界第一,储量占世界总储量的50%以上,最关键的是17种稀土元素在中国全部都有,这是世界独一的。


640?wx_fmt=jpeg

640?wx_fmt=jpeg

几种稀土元素


1980年代,中国在稀土提纯技术上获得突破,因此凭借技术优势抢占了稀土市场的绝大部分占有率。在21世纪初,中国稀土占了世界市场的几乎95%的份额。但是另一方面,当时的中国稀土出口过于盲目,没有获得定价权,导致珍贵的稀土卖成了“土的价钱”。


关于稀土的作用,大家都知道它很重要,几乎所有的现代高科技产品都需要稀土。在当前,几乎每五项新技术发明就有一项和稀土相关。


但是在军事领域,稀土到底有哪些作用?为什么各个国家都如此重视稀土?可以说,没有稀土,就没有电子元件,没有制导技术,没有核反应堆,甚至没有电视屏幕。稀土是制造精密商业和军事电子装置、激光装置、光学器件、监视通信装置、磁体和电池的重要原材料。


第一,没有铼、钇、铈等稀土,美军F-22、F-35战斗机就飞不了


美国海军F-22“猛禽”战斗机最大的优势之一,就是它强劲的发动机。20年前就投入使用的F119涡扇发动机,推动比超过10,具备矢量推力技术,中国国产发动机至今也难以匹敌。


然而,F119发动机的叶片以及燃烧室大量使用阻燃钛合金,其中含有使用了铼、钇等稀土。此外,F-22的机身也是用铈等稀土强化的镁钛合金,这样才能在超音速中不至于空中解体。


此外,稀土元素也广泛用于各种军用材料的制造,有效提升战机、军舰、战车制造材料的强度、耐热度、抗磁能力等。当前高科技技术日新月异,武器材料的应用环境越来越极端,如果没有稀土,根本无法满足新一代武器的很多苛刻设计要求。


640?wx_fmt=jpeg

美军核潜艇


第二,没有铕、钆、钇、钐等稀土,美军核潜艇和航母都会瘫痪


美国海军拥有两大王牌,一个是核动力航母,一个是核潜艇。由于在舰用核技术上领先世界,美国海军也有能力拥有全部核动力的潜艇,和全部核动力的航母,因此远远超越任何国家。


然而,核反应堆的结构材料、屏蔽材料需要钐和铕,核燃料稀释剂需要钇,抑制剂需要钆,没有这些稀土材料的配合,美军航母与潜艇的反应堆就无法得到有效控制。试想一下,如果没有稀土,核潜艇的反应堆不仅造不出来,原有的旧反应堆也无法正常运作,将极大提高核反应堆事故的危险性。


第三,没有钬、铒、镨等稀土,美军的光纤就会报废


光纤技术是当前通信技术的核心,无论是飞机、舰艇还是坦克的操作,还是整个作战系统的指挥运作,离开光纤将会全部瘫痪。此外,美国核潜艇的主要武器是光纤制导鱼雷,凭借此项技术,美军鱼雷可以拥有非常远的精准制导射程。此外,光纤制导导弹也是战场的新生力量,光纤制导的反坦克导弹,比传统反坦克导弹,射程高出一个数量级。


然而,光纤和光学元件的制造,离不开钬、铒、镨等稀土。铒元素能确保光纤传输的能量损失达到最小,镨元素则是制作光纤放大器的关键材料。没有稀土,光纤制导的作用距离就会大打折扣,所谓的“远程操控优势”会不复存在。


640?wx_fmt=jpeg

美国海军舰载激光器


第四,没有钇、钕、钬、铒等稀土,美军的激光技术会倒退30年


当前美国军方正大力发展激光武器,并且首先开发出舰载和空基的激光拦截系统,成功进行了地面、海基和空基的激光反导、防空试验,并且取得相当惊人的效果。同时激光测距仪、激光雷达、激光通信等也广泛应用于海陆空力量,特别是激光测距仪,可以说是主战坦克的火炮能否精确命中的关键。


然而,当代主力激光器是建立在掺钕钇铝石榴石基础上的,此外光纤激光器需铒,对眼睛无伤害的新一代激光器还需要钬。可以说,没有稀土,激光器的大部分技术都将会倒退回1970年代。


第五,没有镧,美军的夜视优势将不存在


在海湾战争和伊拉克战争中,强大的夜战能力成为美军最大的不对称优势,其中的关键技术就是热成像仪。美军至今已经发展出第四代的热成像技术,成像画质很高,依然遥遥领先于全球。


然而,热成像仪的关键元件——非致冷焦平面阵列传感器离不开稀土元素镧,否则传感器的灵敏度和像素密度都无从谈起,美军几十年来的夜战优势将全部沦陷。


640?wx_fmt=jpeg佩戴夜视仪器的士兵


第六,没有镨、钕、钐、镝、钷、铈、镧等稀土,美军的电子系统和制导系统就会变废铁


稀土在科技领域最关键的用途就是永磁体,几乎可以说是稀土最核心的竞争力,稀土-铁-硼系永磁体具有凭借超强的磁性能,广泛用于电子领域。几乎各种先进电子设备都离不开稀土永磁体。美军导弹之所以有很高命中率,美国JDAM制导炸弹之所以“指哪儿炸哪儿”,都是因为拥有先进的制导元件。例如“爱国者”导弹制导系统中使用了大约4公斤的钐钴磁体和钕铁硼磁体用于电子束聚焦。


此外,各种稀土元素也是各种电子元件、光学元件必备材料,只要有了稀土,电子设备和光学仪器性能就能获得巨大提升。而这些仪器,是主战坦克、驱逐舰、战斗机、雷达、导弹等所有武器的“眼睛”和“大脑”。可以说,没有稀土元素,美国军队的技术水平将会大幅退步20-30年,甚至认为将“直接归零”。


这几年来,五角大楼一直在统计和检讨稀土元素在本国武器装备里的含量,但最终都不了了之。因为稀土用途太广泛了,几乎牵涉一切技术装备,而且往往不可替代。想取消或者减少稀土在装备上的使用,除非准备好了,让军事技术倒退回上个世纪。


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。


  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”


640?wx_fmt=jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/491693.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

PyTorch框架学习十——基础网络层(卷积、转置卷积、池化、反池化、线性、激活函数)

PyTorch框架学习十——基础网络层(卷积、转置卷积、池化、反池化、线性、激活函数)一、卷积层二、转置卷积层三、池化层1.最大池化nn.MaxPool2d2.平均池化nn.AvgPool2d四、反池化层最大值反池化nn.MaxUnpool2d五、线性层六、激活函数层1.nn.Sigmoid2.nn.…

PyTorch框架学习十一——网络层权值初始化

PyTorch框架学习十一——网络层权值初始化一、均匀分布初始化二、正态分布初始化三、常数初始化四、Xavier 均匀分布初始化五、Xavier正态分布初始化六、kaiming均匀分布初始化前面的笔记介绍了网络模型的搭建,这次将介绍网络层权值的初始化,适当的初始化…

W3C 战败:无权再制定 HTML 和 DOM 标准!

来源:CSDN历史性时刻!——近日,W3C正式宣告战败:HTML和DOM标准制定权将全权移交给浏览器厂商联盟WHATWG。由苹果、Google、微软和Mozilla四大浏览器厂商组成的WHATWG已经与万维网联盟(World Wide Web Consortium&#…

PyTorch框架学习十二——损失函数

PyTorch框架学习十二——损失函数一、损失函数的作用二、18种常见损失函数简述1.L1Loss(MAE)2.MSELoss3.SmoothL1Loss4.交叉熵CrossEntropyLoss5.NLLLoss6.PoissonNLLLoss7.KLDivLoss8.BCELoss9.BCEWithLogitsLoss10.MarginRankingLoss11.HingeEmbedding…

化合物半导体的机遇

来源:国盛证券半导体材料可分为单质半导体及化合物半导体两类,前者如硅(Si)、锗(Ge)等所形成的半导体,后者为砷化镓(GaAs)、氮化镓(GaN)、碳化硅(…

PyTorch框架学习十三——优化器

PyTorch框架学习十三——优化器一、优化器二、Optimizer类1.基本属性2.基本方法三、学习率与动量1.学习率learning rate2.动量、冲量Momentum四、十种常见的优化器(简单罗列)上次笔记简单介绍了一下损失函数的概念以及18种常用的损失函数,这次…

最全芯片产业报告出炉,计算、存储、模拟IC一文扫尽

来源:智东西最近几年, 半导体产业风起云涌。 一方面, 中国半导体异军突起, 另一方面, 全球产业面临超级周期,加上人工智能等新兴应用的崛起,中美科技摩擦频发,全球半导体现状如何&am…

python向CSV文件写内容

f open(r"D:\test.csv", w) f.write(1,2,3\n) f.write(4,5,6\n) f.close() 注意:上面例子中的123456这6个数字会分别写入不同的单元格里,即以逗号作为分隔符将字符串内容分开放到不同单元格 上面例子的图: 如果要把变量的值放入…

PyTorch框架学习十四——学习率调整策略

PyTorch框架学习十四——学习率调整策略一、_LRScheduler类二、六种常见的学习率调整策略1.StepLR2.MultiStepLR3.ExponentialLR4.CosineAnnealingLR5.ReduceLRonPlateau6.LambdaLR在上次笔记优化器的内容中介绍了学习率的概念,但是在整个训练过程中学习率并不是一直…

JavaScript数组常用方法

转载于:https://www.cnblogs.com/kenan9527/p/4926145.html

蕨叶形生物刷新生命史,动物界至少起源于5.7亿年前

来源 :newsweek.com根据发表于《古生物学》期刊(Palaeontology)的一项研究,动物界可能比科学界所知更加古老。研究人员发现,一种名为“美妙春光虫”(Stromatoveris psygmoglena)的海洋生物在埃迪…

PyTorch框架学习十五——可视化工具TensorBoard

PyTorch框架学习十五——可视化工具TensorBoard一、TensorBoard简介二、TensorBoard安装及测试三、TensorBoard的使用1.add_scalar()2.add_scalars()3.add_histogram()4.add_image()5.add_graph()之前的笔记介绍了模型训练中的数据、模型、损失函数和优化器,下面将介…

CNN、RNN、DNN的内部网络结构有什么区别?

来源:AI量化百科神经网络技术起源于上世纪五、六十年代,当时叫感知机(perceptron),拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层,在输出层得到分类结果。早期感知机的推动者是…

L2级自动驾驶量产趋势解读

来源:《国盛计算机组》L2 级自动驾驶离我们比想象的更近。18 年下半年部分 L2 车型已面世,凯迪拉克、吉利、长城、长安、上汽等均已推出了 L2 自动驾驶车辆。国内目前在售2872个车型,L2级功能渗透率平均超过25%,豪华车甚至超过了6…

PyTorch框架学习十六——正则化与Dropout

PyTorch框架学习十六——正则化与Dropout一、泛化误差二、L2正则化与权值衰减三、正则化之Dropout补充:这次笔记主要关注防止模型过拟合的两种方法:正则化与Dropout。 一、泛化误差 一般模型的泛化误差可以被分解为三部分:偏差、方差与噪声…

HDU 5510 Bazinga 暴力匹配加剪枝

Bazinga Time Limit: 20 Sec Memory Limit: 256 MB 题目连接 http://acm.hdu.edu.cn/showproblem.php?pid5510 Description Ladies and gentlemen, please sit up straight.Dont tilt your head. Im serious.For n given strings S1,S2,⋯,Sn, labelled from 1 to n, you shou…

PyTorch框架学习十七——Batch Normalization

PyTorch框架学习十七——Batch Normalization一、BN的概念二、Internal Covariate Shift(ICS)三、BN的一个应用案例四、PyTorch中BN的实现1._BatchNorm类2.nn.BatchNorm1d/2d/3d(1)nn.BatchNorm1d(2)nn.Bat…

人工智能影响未来娱乐的31种方式

来源:资本实验室 技术改变生活,而各种新技术每天都在重新定义我们的生活状态。技术改变娱乐,甚至有了互联网时代“娱乐至死”的警语。当人工智能介入我们的生活,特别是娱乐的时候,一切又将大为不同。尽管很多时候我们很…

素数与量子物理的结合能带来解决黎曼猜想的新可能吗?

来源:中国科学院数学与系统科学研究院翻译:墨竹校对:杨璐1972年,物理学家弗里曼戴森(Freeman Dyson)写了一篇名为《错失的机会》(Missed Opportunities)的文章。在该文中&#xff0c…

PyTorch框架学习十八——Layer Normalization、Instance Normalization、Group Normalization

PyTorch框架学习十八——Layer Normalization、Instance Normalization、Group Normalization一、为什么要标准化?二、BN、LN、IN、GN的异同三、Layer Normalization四、Instance Normalization五、Group Normalization上次笔记介绍了Batch Normalization以及它在Py…