XiaoMi-AI文件搜索系统
World File Search System变形
使用弹性模块化设计建筑变形表皮...
本文讨论了设计可物理变形以适应不断变化的需求的建筑表皮的问题。为了实现这一建筑愿景，设计师专注于开发用于驱动和动能转换的机械接头、组件和系统。然而，使用轻质弹性变形材料的未开发方法为设计具有更少机械操作的响应式建筑表皮和骨架提供了机会。这项研究旨在开发可用作现有建筑的第二层表皮或遮阳板的弹性模块化系统。使用第二层表皮有可能使现有建筑在各种气候条件下表现更好，并提供视觉上引人注目的表皮。通过三个原型设计实验对这种方法进行了评估，即帐篷、窗帘和百叶窗，以实现两个基本目的：舒适和沟通。这些实验原型探索了使用嵌入在变形材料中的数字和物理计算来设计可操纵阳光并充当响应式遮阳装置的建筑变形表皮。
三平面测试，包括安装引起的变形
摘要。我们研究了基于旋转对称和镜像对称的三平面校准方法，用于在平面支撑机制引起变形的情况下对圆形平面进行绝对干涉平面度测量，这对于大型重型平面来说是一个重大问题。我们表明，当平面具有相同的变形时，可以通过比较基于镜像对称和旋转对称的平面测试解决方案来确定安装引起的变形的镜像对称分量。我们还描述了针对具有相同安装引起的变形的三个平面的三平面问题的新解决方案。在新的三平面解决方案中，平面变形与三个平面的波前平面度误差一起计算。推导出三平面测试解决方案的不确定度公式。© 2007 光学仪器工程师协会。 � DOI：10.1117/1.2784531 �
审查文章智能形状 - 变形微令
智能机器能够切换形状配置，以适应动态环境的变化，因此在许多应用中具有潜力，例如精密医学，芯片上的实验室和生物工程。尽管智能材料和先进的微型/纳米制造的发展是我们的，但如何实现微型/纳米级的智能形状变形机，由于缺乏设计方法和策略，尤其是对于小规模的形状转换，因此仍然有着挑战。本综述旨在通过引入尺寸，模式，实现方法和形状变形微机械的应用来概述构建智能形状的微机械的原理和方法。同时，这篇评论通过比较微型机器与宏观分类的对应物进行了比较，并提出了下一代智能形状变形微机械的未来概述，从而强调了形状转换的优势和挑战。
面板级封装翘曲变形实验研究
§ 全帧测量技术，几秒钟内即可测量表面形貌 § 高点密度，每次采集 500 万个 3D 点 § 可扩展，标准测量范围从 10x12x3 [mm] 到 400x500x50 [mm]，并可定制 得益于独特的设计，多尺度分析允许在一个热曲线中使用不同的放大倍数对同一物体进行多次采集。因此，可以研究不同尺度对变形的影响 [2] — 例如，同时研究 WLP 级和中心/外围芯片。因此，TDM 技术已被确定为一种适合执行 PLP 翘曲测量的工具：在室温下，在热曲线期间，研究重力效应。
考虑深部脑刺激手术中的变形......
摘要 — 深部脑刺激 (DBS) 的疗效取决于电极放置的准确性，而手术中钻孔和硬脑膜打开造成的脑移位可能会危及电极放置的准确性。脑移位违反了术前图像和术中解剖结构之间假定的刚性对齐，对治疗产生负面影响。目的：本研究提出了一种基于变形图谱生物力学模型的方法来解决移位问题。方法：研究了 6 名接受介入磁共振 (iMR) 图像引导的 DBS 钻孔手术的患者。在不同的手术条件下采用特定于患者的模型，生成一组可能的术中移位估计或“变形图谱”。由来自 iMR 的稀疏测量驱动逆问题，以确定图谱解的最佳拟合。然后使用该拟合获得体积变形场，该场用于更新术前 MR 并估计在 iMR 上定位的手术目标区域的移位。通过定量比较术中次表层测量值与模型预测值，以及定性比较 iMR、术前 MR 和模型更新的 MR，检查模型性能。引入非刚性图像配准作为比较器。结果：基于模型的方法将一般实质移位从 8.2±2.2 毫米减少到 2.7±1.1 毫米（~66.8% 校正），并且产生的更新 MR 与 iMR 的一致性优于术前 MR。模型估计的目标区域平均移位为 1.2 毫米。结论：本研究证明了基于模型的移位校正策略在仅使用稀疏数据的 DBS 手术中的可行性。意义：所开发的策略有可能补充和/或增强当前解决移位问题的临床方法。索引词 — 脑移位、计算建模、深部脑刺激、图像引导神经外科手术
利用 ALOS/PALSAR 影像监测滑坡变形
本研究的目的是提出一种以地形学为指导的方法来解释由差分干涉合成孔径雷达 (D-InSAR) 创建的 L 波段 ALOS/PALSAR 干涉图。干涉图用于估计两个快速大型滑坡（法国东南部的 Poche、La Valette）的变形模式。包裹和展开的相位值用于解释不同的运动类型（旋转、平移和复杂滑动）和两个范围的表面位移率。检测到两个滑坡的运动子单元，并确定受扩大或退化影响的区域。InSAR 得出的位移率与地面测量值以及 C 波段和 X 波段卫星 SAR 传感器的位移远程估计值一致。结果证明了 L 波段 ALOS/PALSAR 图像在监测土壤表面状态发生重大变化并被植被覆盖的活跃滑坡方面的潜力。 © 2014 Elsevier BV 保留所有权利。
连续膜表面微加工硅变形镜
表面微加工的一个成功光学应用是开发静电驱动微机械镜阵列（由可移动的反射或折射元件组成的大规模并行阵列），用于投影显示系统。1 每个元件都是一个镜面部分，可用作大型显示器中的一个像素，元件的驱动通过二进制数字控制信号并行协调。在这种系统中，已证明简单微机械致动器的制造成品率可以接近 100%。此外，已证实可以实现电子器件与微机电系统（MEMS）阵列结构的大规模集成。这种集成是通过在平面化 CMOS 电子器件阵列上构建 MEMS 结构来实现的。已提出了这些基本概念的几种扩展，以便开发用于自适应光学系统的表面微加工连续膜可变形镜。在自适应光学中，重要的是可变形镜既要连续又要精确可调。本文描述的装置是使用表面微加工技术制造的第一种连续镜。~ 体微加工连续镜之前已经展示过。2 ! 波士顿大学设计、制造和测试了表面微加工镜。该装置由单个柔性光学膜组成，该膜由多个附件支撑，这些附件位于表面法向静电致动器的底层阵列上。该装置有两个特点与以前的表面微加工镜系统不同。首先，镜面是连续的，而不是分段的。因此，致动器的局部变形会导致镜面平滑偏转，表面轮廓没有不连续性，没有由于分段边缘而导致的衍射干扰，也没有由于填充因子低于 1 而导致的光强度损失。此外，新的可变形镜装置允许精确、连续地控制镜面膜。
chembertaddi：与变压器和临床见解的变形药物相互作用预测
摘要 - 当两种或多种混合使用的药物会引起不良副作用时，即使使用药物单独使用不会造成伤害时，多药的问题也会引起不利的副作用。药物相互作用（DDIS）是这些反应的主要原因，导致发病率和死亡率增加。由于有害DDI的潜力呈指数增长，因此药物相互作用的预测对于患者的安全和有效的医疗保健管理越来越重要。在本文中，我们开发了Chembertaddi框架，该框架有效地结合了临床域数据，以单副作用特征表示，其富集化学分子表示，该化学分子表示源自Chemberta-77m-MLM，这是一个基于变压器的LAN- lan- gage模型。与五种最先进的方法相比，在基准数据集上进行的实验表现出色：decagon，deepwalk，dedicom，nnps和recrecal。评估表明，Chembertaddi的F1得分为0.94，AUROC为0.97，表现优于基线体系结构，并推广到新的引入的药物化合物。索引术语 - 转化，自然语言处理，分子表示学习，药物 - 药物相互作用，多药，Chemberta，神经网络，深度学习，注意机制，生物信息学
自私的隔离变形者超值 - 驱动，重组和遗传负荷
抽象的减数分裂驱动超级基因是链接基因座等位基因的复合物，共同颠覆了孟德尔的隔离，从而产生了优先传播。在男性中，最常见的驱动器机制涉及一对替代等位基因之一的精子的破坏。虽然至少两个基因座对于雄性驱动器（驱动器和目标）很重要，但连接的修饰符可以增强驱动器，从而产生抑制重组的选择压力。在这项工作中，我们研究了常染色体，多焦点，男性减数分裂驱动系统，果蝇果蝇果蝇中的隔离变形（SD）的发展和基因组后果。在非洲人群中，主要的SD染色体变体SD-MAL的特征是两个重叠的，对染色体ARM 2R上的偏心反转，几乎完美（〜100％）传播。我们详细研究了SD-MAL系统，探索其成分，染色体结构和进化史。我们的发现表明，最近的染色体规模的选择性扫描是由强烈的上位型选择的单倍型，主要驾驶等位基因，主要驾驶等位基因和一个或多个因素。尽管大多数SD-MAL染色体都是纯合子致死的，但SD-MAL单倍型可以与其他染色体重组，并通过交叉通过基因转换与Wildtype染色体补充单倍型。SD-MAL染色体具有累积的致命突变，过量的非同义突变和过量的转座元件插入。因此，SD-MAL单倍型作为一种小的半分离亚群演变，具有强烈的选择史。这些结果可以解释世界各地不同人群中SD单倍型的进化周转，并广泛地暗示了超速进化。
用于预测撞击载荷后人脑变形空间分布的多体模型
随着对脑震荡损伤的长期后果的关注日益增加，人们开始重视开发能够准确预测大脑对冲击负荷的机械响应的工具。虽然有限元模型 (FEM) 可以估计动态负荷下的大脑响应，但这些模型无法快速（几秒内）估计大脑的机械响应。在本研究中，我们开发了一个多体弹簧质量阻尼器模型，该模型可以估计大脑对围绕一个解剖轴或同时在三个正交轴上施加的旋转加速度的区域运动。总的来说，我们估计了 50% 人类大脑内 120 个位置的变形。我们发现多体模型 (MBM) 与计算的有限元响应相关，但不能精确预测（平均相对误差：18.4 6 13.1%）。我们使用机器学习 (ML) 将 MBM 的预测与负载运动学（峰值旋转加速度、峰值旋转速度）相结合，并显著减少 MBM 和 FEM 之间的差异（平均相对误差：9.8 6 7.7 %）。使用独立的运动损伤测试集，我们发现混合 ML 模型也与 FEM 的预测有很好的相关性（平均相对误差：16.4 6 10.2 %）。最后，我们使用这种混合 MBM-ML 方法来预测出现在大脑不同位置的应变，对于复杂的多轴加速度负载，平均相对误差估计范围为 8.6 % 到 25.2 %。总之，这些结果展示出一种快速且相当准确的方法，用于预测大脑对单平面和多平面输入的机械响应，并提供一种新工具来快速评估整个大脑撞击负载的后果。 [DOI: 10.1115/1.4046866]