摘要。可再生能源发电成本的下降,加上电解技术的进步,表明绿色氢气生产可能是正在进行的能源转型中的可行选择。然而,绿色氢经济不仅需要生产解决方案,还需要存储选项,而这已被证明具有挑战性。一种尚未得到充分探索的解决方案是在套管井或竖井中地下储存氢气 (H 2 )。它的集成将带来实施的多功能性和广泛的适用性,因为它不需要特定的地质背景。本文的目的是评估这种新存储技术的技术可行性。准确预测温度和压力变化对于设计、材料选择和安全原因至关重要。这项工作使用基于质量和能量守恒方程的数值模型来模拟套管井中的储氢操作。研究表明,腔壁处的传热强烈影响温度和压力变化。这种影响因钻孔的几何形状提供显着的接触面积而加剧。因此,这种技术可以缓解极端压力和温度变化,并且在给定压力约束的情况下产生比传统洞穴更高的氢密度。结果表明,半径为 0.2 m 时,在最大压力为 50 MPa 时可达到 30 kg m − 3 的氢密度。在 4 小时内注入时,系统在最高温度和压力方面的响应相对线性,但随着注入时间的缩短,系统很快变为非线性。优化初始存储条件似乎对于最大限度地降低冷却成本和最大限度地提高存储质量至关重要。
摘要 - 本文介绍了沿着放置在振荡流的紧凑型腔内的一堆固体板的热声热泵送的数值研究。速度和压力场受两个声源控制:主要的“压力”来源监测流体压缩和膨胀阶段,以及一个次级“速度”来源,产生振动性的流体运动。使用“内部”代码求解Navier进行数值模拟 - 在二维几何形状中低马赫数近似下的Stokes方程。在线性状态下,使用该模型正确描述热声热泵,用于不同参数集,例如堆栈板的热物质特性,压力振荡的幅度或速度源,两个源之间的相移。堆栈板两端之间建立的正常温度差的数值结果与分析估计值和文献中发表的实验结果非常吻合。然后考虑几种对应于在外壁上施加的不同热条件和内部分离板的配置。如果分离板是绝热的,则温度沿堆栈线性变化,从而恢复了经典线性理论的结果。如果分离板是热导传导的,则该模型提供了局部热量和传质的详细说明,表明温度场变得完全二维,并且热泵热泵效率较小。该模型非常适合探索局部传热限制对热泵效率的影响,因此非常适合详细分析更复杂的机制,例如浮力效应。
摘要。本文研究了切削刀具磨损的数值模型。利用切削刀具刀片的参数模型,在所需的角度 γ 、α 、α 1 、φ 、φ 1 和 λ 值下形成相应的工作部分,刀片在侧面的磨损与磨损表面尺寸的依赖关系。这可以分析刀片几何形状和侧面磨损参数对刀具磨损期间能耗的影响,计算出任何刀具磨损量下的刀片磨损功。结果表明,侧面磨损 h 3 与平面图中主角 φ 和辅角 φ 1 的依赖关系是线性的。随着角度 φ 、φ 1 、α 和 α 1 的增加,实现给定侧面磨损 h 3 所需的功 U h 减小,而随着角度 γ 和 λ 的增加,此类功增加。因此,机电一体化结合了磨损力学知识、电子参数模型、切削刀具磨损的经验依赖性。
许多地下流动应用涉及对物理定律充分了解的组成部分,以及在物理定律了解不足或不适用的其他组件中。数值建模在前者方面擅长于以前的机器学习(ML)在后者方面的插值数据,但是两种方法都无法同时解决这些组件。现有的ML方法(通常称为具有物理信息的ML或PIML)同时处理这些类型的组件是对标准ML方法的较小调整(例如,PIML可能会使用物理数据进行训练或损失功能来鼓励ML遵守ML,而无需任何准确保证方程式)。调整黑盒ML模型在根本上受到限制,因为“大数据没有解释自身” - 在模型中意味着,可解释的结构是提高可预测性,使人类理解和最大化小数据影响的必要性。我们展示了可区分的编程(DP)如何使我们能够使用可训练的ML融合值得信赖的数值建模,从而增强了用于物理模型开发,倒数分析和机器学习的工作流程。
第二个目标是验证数值模型。这是通过使用 TAIA 风筝在索埃塔尼斯伯格和阿加勒斯角的多个预期地点测量风速来实现的。然后,数值模型使用阿加勒斯角的风速值对这些地点的速度进行预测,并将这些结果与测量值进行比较。结果发现,数值模型表现良好。使用 1\vo 指标来比较结果;预测误差 (m) 和相关系数 (r)。预测的平均误差为 7%,最大误差为 15.4o/o,并且发现模型在出错时往往会低估风速。测量的速度曲线与预测的速度曲线相关,发现九个站点中的八个站点的“r”介于 0.68 和 0.87 之间。
摩尔法克:形态加速因子,形态上升级技术。简单的示例:一个波案在12小时的周期中运行,摩尔法克为10,将代表12天的形态变化。
技术:•蒸汽甲烷改革(参考):H 2通过天然气的蒸汽甲烷改革生成合成气,然后是H 2。(基线)•固体氧化电解(SOE):H 2通过电解在具有固体氧化物/陶瓷电解质的燃料电池中产生(ADV:高效率)。•聚合物 - 电解质 - 膜电解(PEME):H 2通过固体聚合物电解质的细胞中的电解生成(ADV:低重量和体积)。
柏林非线性光学和短脉冲光谱研究所博士后研究员。量子井激光器设备的数值模型。非线性部分微分方程系统的数值解。生物信息学/生物统计学中的学术立场:1997 .. 2000
摘要 — 肌电图 (EMG) 信号的数值模型为我们对人类神经生理学的基本理解做出了巨大贡献,并且仍然是运动神经科学和人机界面发展的核心支柱。然而,虽然基于有限元方法的现代生物物理模拟非常准确,但它们的计算成本极其昂贵,因此通常仅限于对静态系统(例如等长收缩肢体)进行建模。为了解决这个问题,我们提出了一种迁移学习方法,其中训练条件生成模型来模仿高级数值模型的输出。为此,我们提出了 BioMime,这是一种经过对抗训练的条件生成神经网络,可在各种体积导体参数下生成运动单元激活电位波形。我们展示了这种模型能够以高精度在数量少得多的数值模型输出之间进行预测插值的能力。因此,计算负荷大大减少,从而可以在真正动态和自然的运动过程中快速模拟 EMG 信号。