XiaoMi-AI文件搜索系统
World File Search System速度波动
2D过渡金属二硫化物中的高阶谐波生成
在本文中，我们探讨了MOS 2和WS 2 2D单层的能力，可通过产生高阶谐波在Terahertz范围内产生辐射。这种现象是通过基于Monte Carlo方法的粒子集合随机模拟方法研究了电子载体种群对应用电场的非线性响应的结果。对电场振幅，外部温度和激发频率进行了研究，研究了产生的谐波信号的功率。此外，模拟工具的随机性使得可以从扩散状态的固有载流子速度波动带来的背景光谱噪声中辨别出纯粹的离散谐波信号，从而允许设置带宽阈值以进行谐波提取。发现，与低温下的IIII-V半导体相比，两个TMD都显示出相似的阈值带宽，而WS 2将是迄今为止MOS 2的更好选择，用于利用7次和第9次谐波。
超音速风洞的设计和鉴定...
在外部和内部空气动力学中，预测和控制边界层内的湍流发生都至关重要。1,2 数值研究在这两个领域都得到了卓有成效的应用，但实验是必不可少的，特别是当马赫数增加时。3,4 自然边界层转捩实验需要一种对转捩过程干扰尽可能小的设备。例如，在超音速马赫数下，设备不得产生强烈的压力波动，即它们的 RMS 应小于 p ∞ 的 1% 左右，5 且速度波动应受到限制。6 如果不是这样，p ′ 和 u ′ 对转捩过程的影响将阻碍将实验结果外推到实际飞行条件。 7 已经证明 7 超音速风洞试验段内压力波动的主要原因是试验段壁上的湍流边界层，它会将压力扰动辐射到测试物体上。因此，进行有意义的过渡实验的解决方案是保持这些壁上的边界层层流。也就是说，要有一个所谓的“安静的超音速风洞”。要达到这种安静程度，必须实现多个功能，通常需要进行调整、修正或改进和修改，然后才能明显发挥作用。8,9 另一方面，对于诱导边界层过渡实验，安静要求不那么严格
颅内B波的生理机制及意义
脑血流 (CBF) 和脑容量的缓慢振荡最近成为一个热门话题，因为这些缓慢振荡与脑内的脑脊液 (CSF) 运动有关，并可能促进血流过脑间质以清除溶质和有毒代谢物，这一过程称为淋巴流动 (1)。颅内 EEG、MRI 血氧水平依赖性 (BOLD) 信号和 CSF 波 (2) 的耦合缓慢同步振荡似乎共同在驱动 CSF 运动方面发挥着关键作用，尤其是在慢波 (delta 波) 睡眠活动期间。此外，这些类型的振荡发生在与颅内 B 波相同的频率范围内，而 B 波也是 CBF 和颅内压 (ICP) 规律同步波动的结果，其来源不明 (3)。这种关联促使我们分析了之前在 B 波期间进行的 MCA 速度和 ICP 的颅内记录中的其他频率参数和波形特征（3），并将它们与已发表的 MRI CBF 慢波测量结果（2、4-9）进行比较，以确定这些实体之间的相似性。颅内压 B 波最初被描述为以每分钟 0.5 到 2 个周期发生的规则重复 ICP 振荡，其来源已证明难以捉摸，其生理作用尚未确定。Lundberg 在他最初的经典论文中评论说，通过检查 B 波的特征及其与其他生理参数的关系，无法就其起源得出明确的结论（10）。一项关于麻醉猫软脑膜动脉的观察性研究描述了同步的 ICP 波和血管直径波动，其发生频率（每分钟 0.5-2 次）与经典 B 波相似，支持周期性血流和血容量波动可能是 ICP B 波原因的观点，但并未给出任何有关其生理功能的迹象（11）。一些早期关于患者和正常受试者的经颅多普勒 (TCD) 超声记录的报告描述了由于 CBF 变化导致的大脑中动脉 (MCA) 速度波动，其频率范围与 Lundberg B 波相同（12、13）。我们报告了 70% 的正常受试者在休息和躺在担架上 1 小时时，MCA 速度波动的频率范围 (0.5-2 次/分钟) 和形式与 Lundberg B 波相似，并且在同一报告中描述了头部受伤患者的同步 MCA 速度和 ICP 振荡，其频率与 B 波相同 (3)。其他研究人员证实了这些结果，并进一步描述了各种环境下 MCA 流速的节律性振荡，包括头部受伤患者、正常休息志愿者以及睡眠期间 (14-18)。一些研究指出，TCD 测得的 B 波发生的频率范围比 Lundberg 在 ICP 记录中指出的更宽，并且频率比我们小组最初描述的更宽（3），因此建议将 B 波频率范围扩大到每分钟 0.33-3 个周期（0.005-0.05 Hz）（18）。其他研究人员报告称，颅内 B 波的频率高达每分钟 4 个周期（0.067 Hz）（19）。最近发表的关于通过功能性（f）MRI 结合 EEG 测量慢周期性 CBF 振荡的描述
深度学习在湍流中的应用
摘要 本论文研究了深度学习和深度强化学习在湍流模拟中的应用。深度学习模型经过训练可以进行时间和空间预测，而深度强化学习则应用于流量控制问题，即减少明渠流中的阻力。长短期记忆 (LSTM, Hochreiter & Schmidhuber 1997) 网络和 Koopman 非线性强迫 (KNF) 模型经过优化，可以在两种降阶湍流模型中执行时间预测，即 Moehlis 等人 (2004) 提出的九方程模型和最小通道流的截断适当正交分解 (POD) (Jim´enez & Moin 1991)。在第一个应用中，这两个模型都能够产生准确的短期预测。此外，预测的系统轨迹在统计上是正确的。KNF 模型在短期预测方面优于 LSTM 网络，并且训练计算成本低得多。在第二个任务中，只有 LSTM 可以成功训练，预测出统计上准确的轨迹。空间预测是在两种湍流中进行的：明渠流和边界层流。全卷积网络 (FCN) 用于使用壁面测量值预测给定壁面法线位置的二维速度波动场（反之亦然）。由于这些模型的非线性特性，它们提供了比扩展 POD（Bor'ee 2003）等最佳线性方法更好的重建性能。最后，我们展示了深度强化学习在发现湍流新控制策略方面的潜力。通过将流体动力学问题构建为多智能体强化学习环境，并使用位置不变的深度确定性策略梯度 (DDPG) 算法训练智能体，我们能够学习一种控制策略，该策略可显著减少 30% 的阻力，比现有策略提高约 10 个百分点。
根据一维速度测量估算湍流动能耗散率
案例 ID 框大小 R λ ˙ E [cu] k max η K η K [cu] IL 11 /η KL /L 11 N p [#] DNS 1.1 512 74 0.4 3 0.015 0.01 41.2 161 10000 DNS 1.2 512 74 0.4 3 0.015 0.05 41.4 160 10000 DNS 1.3 512 74 0.4 3 0.015 0.10 41.3 160 10000 DNS 1.4 512 74 0.4 3 0.015 0.24 41.3 21 10000 DNS 1.5 512 74 0.4 3 0.015 0.50 41.4 16 10000 DNS 2.0 1024 142 0.4 3 0.007 0.11 99.0 332.8 1000 DNS 2.1 1024 219 0.4 3 0.007 0.01 147.8 15.6 1000 DNS 2.2 1024 217 0.4 3 0.007 0.06 147.6 15.7 1000 DNS 2.3 1024 216 0.4 3 0.007 0.11 147.9 15.6 1000 DNS 2.4 1024 212 0.4 3 0.007 0.27 146.8 15.7 1000 DNS 2.5 1024 207 0.4 3 0.007 0.53 145.5 15.8 1000 DNS 3.1 2048 302 0.5 3 0.003 0.01 260.9 13.6 1000 DNS 3.2 2048 299 0.5 3 0.003 0.05 258.2 13.8 1000 DNS 3.3 2048 295 0.5 3 0.003 0.11 254.8 14.0 1000 DNS 3.4 2048 314 0.5 3 0.004 0.26 275.6 20.2 1000 域名3.5 2048 321 0.5 3 0.004 0.53 282.9 14.7 1000 表 2. 每个 DNS 的参数概览。R λ 为泰勒尺度雷诺数，˙ E 为代码单位（cu）中的能量注入率，k max 为最大解析波数，η K 为柯尔莫哥洛夫长度尺度，I = σ u ′ 1 /U 为湍流强度，L 11 为由 E ( κ ) 导出的纵向积分长度尺度，L 为平均探针轨道距离，N p 为虚拟探针的数量。湍流强度 I 通过设置探针平均速度来控制，其中 σ u ′ 1 ≈ 1 为均方根纵向速度波动。