本实验旨在开发一种基于非接触式位移检测器，并应用于高分子材料应力-应变曲线的测定，以克服传统机械引伸计的不足，保证测量准确性。通过利用摄像头结合YOLOv8深度学习算法，实时捕捉拉伸过程中试样红色标记线的位置变化，实现了对应变的准确测定。该方法无需与试样进行物理接触，避免了机械引伸计对试样的潜在影响。实验还对机械引伸计的夹头进行识别，进行对照实验，验证两种方法在应力-应变曲线测定上的一致性。实验结果表明，非接触式检测器与传统机械引伸计获得的应力-应变曲线高度相似，证明了该方法在高分子材料力学性能测定中的可靠性和应用前景。这一数字化设计提升了实验灵活性，为高分子材料的力学测试提供了新的解决方案。

为满足日益增长的高能量锂离子电池(LIBs)需求，富镍正极已成为主流选择。这类电极通常需使用高极性N-甲基吡咯烷酮(NMP)溶解聚合物粘结剂，形成流变稳定的浆料以确保电极内部强机械粘附。然而，NMP对环境与健康的潜在危害使其面临日益严格的监管限制，推动产业向更绿色、安全的浆料体系转型。本综述首先系统建立了绿色溶剂筛选与浆料性质评估的理论框架，涵盖溶剂-粘结剂相容性、溶解度理论、汉森溶解度参数、Flory-Huggins相互作用参数以及关键的流变学表征方法。在此基础上，重点回顾了近年来绿色溶剂体系的浆料制备进展，包括内酯类、亚砜类、磷酸酯类、酰胺类以及多种生物基替代溶剂，随后聚焦绿色浆料在涂布与干燥等加工环节中的行为特征，揭示其对电极微结构形成路径的深层影响，以及随之在机械内聚力、界面黏附性、容量保持与循环寿命等关键指标上的性能决定作用。通过分析粘结剂溶解性、分散稳定性、流变特性及干燥动力学对电极形貌、机械内聚力、容量保持率和循环稳定性的影响，指出当前绿色浆料体系仍面临粘结剂溶解不充分、干燥过程迁移、高固含量配方适应性有限等实际障碍，并提出基于热力学的溶剂筛选、流变学优化及干燥动力学控制等解决方案。最后，结合人工智能技术的最新发展，展望了数据驱动的溶解度预测、流变行为建模以及干燥过程仿真等前沿方向在构建绿色浆料体系中的潜在价值。本综述融合经典理论框架与智能化计算工具，旨在为下一代高能量密度锂离子电池的可持续制造提供新的思路与方向。