XiaoMi-AI文件搜索系统
World File Search SystemAdditive
性能橡胶和添加剂投资组合德国
Rubber stripping/ belts, Rubber sheets, mats/ rolls/ flooring/ plate, Roofing membrane/ oil or solvent tank lining, Radome surface coat/ containment suits, Life-jackets/ windbreakers / raincoats, Cables / Wire and cable sheathing, Impact resistant pipe, Inflatable boats and kayaks / life boats, Snowshoe decking/ sports shoes, Train elastomer connections, Handrails自动扶梯/市政气管，工业辊 div>
生物医学材料的增材制造和表征
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
增材制造的精益质量控制方法
摘要。增材制造不仅在制造业，而且在消费市场也越来越受欢迎，因为它提供了一个全新的机遇世界，首先是几何约束的缺失，以及由于减材制造中典型的材料去除而产生的浪费的减少。此外，它能够增强精益制造的目标，即减少对客户没有任何价值的活动。然而，由于缺乏一致的质量，其广泛的应用受到威胁。因此，有必要进一步研究影响 3D 打印产品的缺陷并提出新的控制方法。本文建议使用一种低成本、轻便、便携的设备作为扫描仪，以快速获取 3D 打印产品的数据并将其与原始模型进行比较。
使用先进的深层激光扫描技术对增材制造的 Ti6Al4V 扫描电子显微镜图像进行实时数据驱动的微观结构缺陷检测
由于缺乏全面的数据集和缺陷类型的多样性，自动检测增材制造的 Ti6Al4V 材料中的微观结构缺陷面临巨大挑战。本研究介绍了一种应对这些挑战的新方法，即开发专门针对扫描电子显微镜 (SEM) 图像的微观结构缺陷数据集 (MDD)。我们使用此数据集训练和评估了多个 YOLOv8 模型（YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l 和 YOLOv8x），以评估它们在检测各种缺陷方面的有效性。主要结果表明，YOLOv8m 在精度和召回率之间实现了平衡，使其适用于可靠地识别各种缺陷类型中的缺陷。另一方面，YOLOv8s 在效率和速度方面表现出色，尤其是在检测“孔隙”缺陷方面。该研究还强调了 YOLOv8n 在检测特定缺陷类型方面的局限性以及与 YOLOv8l 和 YOLOv8x 相关的计算挑战。我们的方法和发现有助于科学地理解增材制造中的自动缺陷检测。MDD 的开发和 YOLOv8 模型的比较评估通过提供检测微结构缺陷的强大框架来推进知识水平。未来的研究应侧重于扩展数据集和探索先进的 AI 技术，以提高检测准确性和模型泛化能力。
人工智能增材制造工艺协议预测
1.2. 工艺控制优化 通过选择合适的 AM 方法并优化所用 AM 方法的工艺参数，可以实现质量保证改进。最简单的方法是改变次优工艺类型和工艺参数（包括所选材料）的组合，并反复评估质量，直到达到令人满意的质量。这是一种成本高昂且耗时的方法。但是，操作员可能会在一定操作期后获得足够的经验来减少这些迭代。此方法的准确性和速度还取决于评估技术的准确性；否则，操作员将获得相对不正确的经验。 AM 工艺的工艺参数优化可以利用分析性破坏性测试 (DT) 和/或功能性无损检测 (NDT) 方法。X 射线计算机断层扫描 (X 射线 CT) 技术属于 NDT 方法。文献中报道了材料挤压和喷射工艺的 AM 样品的 DT（拉伸试验）和 NDT（X 射线和超声波）数据之间的相关性。发现相关性是线性的[11]，[12]。
线弧增材制造中焊道几何形状和操作条件确定方法
摘要。使用定向能量沉积 (DED) 工艺（例如电弧增材制造 (WAAM)）制造零件时，需要确定沉积路径和操作参数（送丝速度、焊枪速度、能量）。虽然操作参数会影响制造的焊珠的几何形状，但沉积轨迹会影响这些焊珠排列以填充目标形状的方式。焊珠几何形状对热条件（难以准确管理）的强烈依赖性使得选择适当的参数变得复杂。可以通过多种方式解决该问题，本文提出了一种根据零件的当前状态（模拟或测量）和制造或几何约束确定轨迹和操作参数的方法。提出的方法分为两个阶段：
研究文章调查学龄前儿童的看护人对食品添加剂风险管理的认识水平：推荐的调查证据
本研究旨在确定幼儿儿童与食品添加剂相关风险的看护人的认识程度。它还强调了重要的问题，这些问题有助于更高的风险和建议，以提供更好的实践。这项研究取决于定量调查方法，以评估看护人对食品添加剂的认识水平以及它们对学龄前儿童带来的潜在风险。它探讨了教育水平之间的关系，以衡量知识对食品添加剂风险管理实践的认识的不同问题。该研究还利用风险热图来定义大多数有关风险领域的信息。研究结果表明，需要教育学龄前儿童的护理人员有关食品添加剂相关的潜在风险。表明，知识水平与食品添加剂风险的不同领域之间没有显着关系。尽管有64.47％的人不知道添加剂中的蝗虫豆胶可能会导致血管性水肿。不同问题中的意识水平各不相同，表明知识存在差距。研究表明，有70.25％的人不了解标签上有关食品添加剂的信息，这提高了透明度在食品标签实践中的重要性。这项研究的结果表明，学龄前儿童的护理人员在塑造这些儿童的饮食习惯和健康结果中的重要作用。这项研究扩展了该领域的知识，因为它专注于学龄前儿童的护理人员。他们强调需要启动有针对性的教育计划，采用透明的食品标签实践，倡导对食品安全水平进行持续监视，并进行持续的科学研究，以最大程度地减少与食品添加剂相关的健康风险。它强调了需要教育学龄前儿童的护理人员就食物添加剂风险，倡导透明标签的倡导者，并强调正在进行的监视和教育，以减轻与食品添加剂相关的健康风险。
增材制造零件抛光技术研究
增材制造在航空航天、医疗植入等领域有着很好的应用前景，但成型件表面质量差，如果不进行后处理无法满足高服务化的要求，抛光加工是高性能金属增材制造技术链中的关键环节。本文总结了其阶梯效应、成型表面粗糙度高等特点。近年来，增材制造技术又称3D打印以其在快速成型特别是复杂金属零件制造方面的独特优势受到航空企业的高度重视。但由于3D打印采用逐层生长的过程，构建的零件往往表面粗糙度较差，如果不进行后处理则不适合实际使用。基于此基础，增材制造对金属零件抛光领域的研究主要集中在电化学、激光、磨料流抛光技术等方面。本文针对增材制造过程中的各种制造工艺、金属粉末材料种类以及样品的各种结构（如多孔结构、高深宽流道等）对上述领域的研究进展进行了综述，并总结了增材制造金属零件抛光工艺中表面粗糙度、材料去除、表面残余应力、轮廓精度保持性等技术指标的研究成果，最后对3D打印金属零件抛光技术未来的发展进行了展望。
MECASA：使用加性自注意力对混合 EEG-fNIRS 数据进行运动执行分类
运动执行是人类行为的一个基本方面，已利用 BCI 技术进行了广泛的研究。EEG 和 fNIRS 已被用于提供有价值的见解，但它们各自的局限性阻碍了性能。这项研究调查了融合脑电图 (EEG) 和功能性近红外光谱 (fNIRS) 数据在运动执行范式中对静息状态与任务状态进行分类的有效性。使用 SMR 混合 BCI 数据集，这项研究将单峰 (EEG 和 fNIRS) 分类器与多峰融合方法进行了比较。它提出了使用卷积加性自注意机制 (MECASA) 的运动执行，这是一种利用卷积运算和自注意来捕获多峰数据中复杂模式的新颖架构。 MECASA 建立在 CAS-ViT 架构之上，采用计算效率高、基于卷积的自注意模块 (CASA)、混合块设计和专用融合网络，将来自独立 EEG 和 fNIRS 处理流的特征组合在一起。实验结果表明，MECASA 在所有模态 (EEG、fNIRS 和融合) 中的表现始终优于成熟方法，与单模态方法相比，融合方法始终能提高准确性。fNIRS 通常比单独的 EEG 实现更高的准确性。消融研究揭示了 MECASA 的最佳配置，其中嵌入维度为 64-128 为 EEG 数据提供最佳性能，OD128（上采样光密度）为 fNIRS 数据产生优异结果。这项工作凸显了深度学习，特别是 MECASA，在增强 EEG-fNIRS 融合用于 BCI 应用的潜力。
增材制造的变形行为分析...
金属增材制造 (MAM) 是一项快速发展的技术，有可能彻底改变制造业。当前的 MAM 工艺之一是直接能量沉积 (DED)，它使用逐层沉积来设计零件以进行整合并最大限度地减少材料浪费。然而，DED 工艺的反复加热和冷却通常会导致 AM 组件发生变形，从而导致过早失效。该研究利用数值计算软件 Simufact Welding 对利用 DED 工艺在 SS316 基材上增材制造的 Inconel 718 的热致变形进行了数值计算分析。Inconel 718 组件和 SS316 基材的几何设计旨在更深入地了解 LMD 工艺的变形行为。模拟结果表明，变形随层数的增加而增加，并且变形率沿沉积高度而变化。节点 S3 和 S5 处的基材变形在每一沉积层中均呈线性增加，但在最后四层中节点 S1 和 S2 处的变形速率降低，这表明基材和沉积材料之间的温度均匀性。