XiaoMi-AI文件搜索系统
World File Search System数模
采用参数模型降阶法进行功率模块热机械分析
摘要 —本文介绍了一种基于拉格朗日矩阵插值方法的参数模型降阶 (pMOR)，用于具有非线性行为的电力电子模块 (PEM) 的热机械和可靠性研究。模型降阶 (MOR) 研究中的大部分先前研究都报告了使用顺序耦合方法进行的热机械模拟。在本研究中，直接耦合热机械分析同时求解热和结构控制方程，用于获得热和变形结果。此外，对于 pMOR，矩阵插值的线性方法仅限于采样参数点之间的线性变化。因此，采用了一种使用拉格朗日插值方法对系统矩阵进行插值的新方法来有效地实现矩阵插值。通过拉格朗日矩阵插值方法获得的参数降阶模型 (pROM) 解与全阶模型 (FOM) 非常吻合，并且计算时间与矩阵插值的线性（双线性）方法相似。 pROM 模拟可将计算时间缩短高达 85.5%。索引术语 — 有限元法、热机械分析、电力电子模块、可靠性评估、参数模型降阶。
一个简单的雪温度指数模型暴露了重新分析雪水等效产品之间的差异
包括偏见，无偏的根平方误差（URMSE）和相关性，包括在图1和图2中。3G-I。 在所有情况下，重建的数据集都比重新分析数据集较低，相关性较高。 URMSE是通过从参考SWE和每组产品SWE值中删除平均值，然后用这些无偏数据集计算根平方误差的平均值。3G-I。在所有情况下，重建的数据集都比重新分析数据集较低，相关性较高。URMSE是通过从参考SWE和每组产品SWE值中删除平均值，然后用这些无偏数据集计算根平方误差的平均值。
ξ-π：神经功率谱分解的非参数模型
摘要 — 从脑记录中估计出的功率谱是非周期性瞬态活动和周期性振荡的混合表示，即非周期分量（AC）和周期分量（PC）。定量神经生理学需要在参数化每个分量之前进行精确分解。然而，AC 和 PC 的形状、统计分布、尺度和混合机制尚不清楚，这对当前流行的参数模型（如 FOOOF、IRASA、BOSC 等）的有效性提出了挑战。这里提出了 ξ - π 来分解神经谱，方法是将带有惩罚 Whittle 似然的非参数谱估计和形状语言建模嵌入到期望最大化框架中。在具有损失统计的合成频谱以及具有评估指标和神经生理学证据的睡眠EEG和大样本iEEG上验证了ξ-π。与FOOOF相比，呈现形状不规则性的模拟和具有多个孤立峰的批量模拟都表明ξ-π在识别中心频率和峰值数量时以更少的损失和更高的F1分数改善了AC和PC的拟合度；睡眠EEG显示ξ-π产生了更多可区分的AC指数并提高了睡眠状态分类准确性；iEEG显示ξ-π在峰值发现方面接近临床发现。总体而言，ξ-π在频谱分解中提供了良好的性能，允许使用描述性统计数据或核函数进行灵活的参数化。ξ-π 可能成为认知神经科学、脑机接口、神经反馈和脑部疾病等领域脑信号解码的有前途的工具。
使用参数模型降阶对电力电子模块热机械分析中的温度相关特性进行参数化
摘要 — 本文使用 ANSYS-FEM（有限元方法）对电力电子模块 (PEM) 进行直接耦合热机械分析，并结合参数模型降阶 (pMOR) 技术。与目前大多数通过顺序耦合热机械模型进行耦合热机械分析的模型降阶研究不同，本研究中采用的直接耦合热机械方法同时解决了热和结构模型。通常，pMOR 主要侧重于参数化模型参数（例如材料属性、负载），这些参数是常数。在本研究中，在电子模块可靠性评估的背景下，展示了一种使用 pMOR 参数化温度相关属性的新方法，例如 PEM 结构中材料的热膨胀系数 (CTE)。开发了 PEM 的二维有限元模型，并用于研究铝 (Al) 合金的温度相关 CTE 对热负荷下系统热机械响应的影响。基于 Krylov 子空间的技术 PRIMA 已用于模型降阶，并采用矩阵插值的线性方法进行 pMOR 中的参数化。全阶状态空间模型具有 30,612 个自由度 (DOF)，而通过 pMOR 实现的简化模型只有 8 个自由度。模拟运行表明，对于此问题，使用这种方法可以大大减少计算时间，全阶模型和简化模型之间的计算时间减少了 81%。在建模预测中，基于 pMOR 的解决方案保留了结果的准确性。在这种情况下，与 ANSYS-FEM 模型 (FOM) 解决方案相比，应力结果的平均差异仅为 0.43%。
mnemonic训练的大脑调整为常规奇数模式子维持数字记忆
据说我们的物种使用助记符（“记忆的魔法”）在大脑中刻有大量信息。然而，尚不清楚助记符如何影响记忆和神经基础是什么。在这项脑电图研究中，我们研究了助记符训练是否提高了加工效率和/或改变编码模式以支持记忆增强的假设。通过22天的数字图像助记符（世界一流麦克努斯主义者使用的定制记忆技术）进行22天的培训，一组儿童在训练后显示出短期记忆的增加，但增益有限。这种训练导致了定期的奇数神经模式（即，在序列中数字与奇数位置的数字编码期间，P200增强和theta功率的增强）。至关重要的是，P200和Theta功率效应预测了训练引起的记忆力的改善。这些发现提供了表明，表明弹药如何改变了功能性脑组织中反映的编码模式，以支持记忆增强。
SLAS411D –2004 年 11 月–2016 年 2 月修订 DAC8811 16 位串行输入乘法数模转换器
DAC8811 是一款单通道电流输出、16 位数模转换器 (DAC)。其架构如图 18 所示，是一种 R-2R 梯形配置，其中三个 MSB 分段。梯形的每个 2R 支路均可切换到 GND 或 I OUT 端子。通过使用外部 I/V 转换器运算放大器，DAC 的 I OUT 端子保持在虚拟 GND 电位。R-2R 梯形连接到外部参考输入 V REF，该输入决定 DAC 满量程电流。R-2R 梯形为 5k Ω ±25% 的外部参考提供与代码无关的负载阻抗。外部参考电压可在 -15 V 至 15 V 范围内变化，从而提供双极 I OUT 电流操作。通过使用外部 I/V 转换器和 DAC8811 R FB 电阻器，可以生成 -V REF 至 V REF 的输出电压范围。
DAC8811 16 位串行输入乘法数模转换器数据表 (Rev. D)
DAC8811 是单通道电流输出、16 位数模转换器 (DAC)。图 18 所示的架构是一种 R-2R 梯形配置，其中三个 MSB 分段。梯形的每个 2R 支路都可以切换到 GND 或 I OUT 端子。通过使用外部 I/V 转换器运算放大器，DAC 的 I OUT 端子保持在虚拟 GND 电位。R-2R 梯形连接到外部参考输入 V REF，该输入决定 DAC 满量程电流。R-2R 梯形对外部参考呈现 5k Ω ±25% 的代码独立负载阻抗。外部参考电压可以在 -15 V 至 15 V 的范围内变化，从而提供双极 I OUT 电流操作。通过使用外部 I/V 转换器和 DAC8811 R FB 电阻器，可以生成 -V REF 至 V REF 的输出电压范围。
SLAS411D –2004 年 11 月–2016 年 2 月修订 DAC8811 16 位串行输入乘法数模转换器
DAC8811 是一款单通道电流输出、16 位数模转换器 (DAC)。其架构如图 18 所示，是一种 R-2R 梯形配置，其中三个 MSB 分段。梯形的每个 2R 支路均可切换到 GND 或 I OUT 端子。通过使用外部 I/V 转换器运算放大器，DAC 的 I OUT 端子保持在虚拟 GND 电位。R-2R 梯形连接到外部参考输入 V REF，该输入决定 DAC 满量程电流。R-2R 梯形为 5k Ω ±25% 的外部参考提供与代码无关的负载阻抗。外部参考电压可在 -15 V 至 15 V 范围内变化，从而提供双极 I OUT 电流操作。通过使用外部 I/V 转换器和 DAC8811 R FB 电阻器，可以生成 -V REF 至 V REF 的输出电压范围。
齿轮维修应用中的直接能量沉积参数模拟研究
摘要：添加剂制造技术比传统技术具有许多优势；然而，它们的生产过程可能导致产生的零件的较高残留应力和扭曲。使用数值模拟模型作为预测印刷过程产生的变形和残留应力的解决方案。这项研究旨在通过定向能量沉积（DED）来预测齿轮修复过程中施加的紧张和扭曲。首先，分析了国家标准技术研究所（NIST）提出的案例研究，以验证该模型和数值获得的结果。随后，对DED技术的某些参数的影响进行了参数研究。验证NIST基准桥模型获得的结果与实验获得的结果一致。反过来，从参数研究获得的结果几乎总是与理论上预期的结果一致。但是，某些结果不是很清楚和一致。获得的结果有助于阐明某些打印参数的影响。所提出的模型允许考虑残余应力在计算齿轮负荷产生的应力时的影响，这是疲劳分析的必要数据。建模和模拟沉积过程可能会由于多种因素而具有挑战性，包括校准模型，管理计算成本，计算边界条件以及准确代表材料属性。本文旨在在两个案例研究中仔细解决这些参数，以实现可靠的模拟。
W*-代数上的参数模型和信息几何
在经典几何和量子信息几何中，通常处理概率分布或量子态的参数化子集，俗称参数模型。经典背景下的典型例子是高斯概率分布族，在量子背景下的典型例子是量子相干态族。从概念和实践的角度来看，都可能存在物理理论约束，导致只有某些概率分布或量子态才能被建模或物理实现（再想想高斯概率分布和量子相干态），因此证明选择参数模型是合理的。另一方面，从纯数学的角度来看，如果我们想利用标准微分几何的数学形式，就必须选择参数模型[1,43,50]。事实上，可测结果空间上的概率分布空间和等同于复可分希尔伯特空间上的密度算子空间的量子态空间都不具备光滑流形的结构。颇有意思的是，这在有限维中已经发生了：在经典情况下，离散有限结果空间 X n（有 n 个元素）上的概率分布空间可以自然地等同于 R n 中的单位单纯形，后者是带角的光滑流形的典型例子 [54]；在量子情况下，等同于有限维复希尔伯特空间 H 上的密度算子空间的量子态空间，当 dim ( H ) = 2 [ 11 , 35 ] 时，是具有边界的光滑流形，称为布洛赫球；当 dim ( H ) > 2 [ 24 ] 时，是分层流形。在无限维中，考虑到无限维微分几何的技术细节，情况甚至更糟。尽管可以说在经典 [ 64 ] 和量子 [ 42 ] 中都有旨在建立无限维非参数理论的方法，但我们认为它们实际上是参数模型，其中参数位于无限维流形中。事实上，Pistone 和 Sempi [ 64 ] 的开创性工作处理的不是测度空间上整个概率分布空间上的 Banach 流形结构，而是关于给定参考概率测度 μ 相互绝对连续的所有概率分布空间上的 Banach 流形结构。显然，这种选择可以合理地称为概率分布的参数模型。 Jencova [ 42 ] 的工作中也发生了类似的事情，其中 Banach 流形结构不是赋予 W ⋆ -代数 A 上的整个状态空间，而是赋予 A 上的忠实正常状态空间。因此，为了使用标准微分几何的工具，正如在经典几何和量子信息几何中惯常的做法一样 [4、5、51、58、67]，我们必须接受使用参数模型的必要性。经典情况在无限维环境中也得到了彻底和系统的研究 [7-9]，而据我们所知，量子态参数模型的信息几何（特别是在无限维环境中）仍未得到充分探索。这项工作的目的是开始探索这片土地，并以这样一种方式进行，即可以同时处理经典情况和量子情况。关键