XiaoMi-AI文件搜索系统
World File Search SystemArani
春季-2025- iwre研讨会系列 - ...
Effect of Multiphase Flow Parameters on CO 2 Sequestration in Deep Saline Aquifers Nimisha Gautam Sludge Settlement and System Performance at Manatee County's WWTP Kwabena Darko Okyere Enhanced Onsite Wastewater Treatment Systems for N removal Natchaya Luangphairin Biofilter Design and Management Impacts on Microbiome and Contaminant Degradation Edward Anica Performance, Price, and Perceptions哥斯达黎加的化粪池和堆肥厕所Maedeh yazdani arani饮用水质量评估
热绝缘材料的新兴趋势和...
[1] Abbasian Arani AA，Sadripour S，Kermani S.纳米颗粒形状对正正弦波和可变波长的Sinusoid-Wavy微型通道中的Boehmite氧化铝纳米流体的热液压性能。Int J Mech Sci 2017; 128-129：550-563。[CrossRef] [2] Ali MM，Alim A，Ahmed SS。在纳米流体填充的凹槽通道中的水磁混合对流的有限元溶液。J ther 2021; 7：91-108。[CrossRef] [3]GüllüceH，ÖzdemirK。旋转再生热交换器的设计和操作条件优化。Appl Therm Eng 2020; 177：115341。[CrossRef] [4] Ahmadpour V，Rezazadeh S，Mirzaei I，Mosaffa Ah。水平磁场对垂直环中填充的凝胶流量的数值研究。J ther Eng 2021; 7：984-999。[CrossRef] [5] Sadripour S.大气 - 气溶胶/碳黑纳米流体的3D数值分析，位于伊朗Shiraz的太阳能空气加热器内。Int J Numer方法热流量2019; 29：1378-1402。[6] Sobamowo MG，Adesina AO。使用部分Noether方法在存在均匀磁场的情况下，对流辐射鳍具有与温度相关的热导率的热性能分析。J ther Eng 2018; 4：2287-2302。[CrossRef] [7] Bayareh M，Nourbakhsh A.的数值模拟和分析双管热交换器中瓦楞纸不同几何形状的热传递。J ther Eng 2019; 5：293-301。[CrossRef] [8]TokgözN，Aksoy MM，sahin B.J ther Eng 2016; 2：754-760。Therm Sci 2014; 18：283-300。使用PIV对波纹通道流动流量的流动特性进行了实验研究。[CrossRef] [9] Mahmoodi M，Arani AAA，Mazrouei S，Nazari S，AkbariM。平方腔中纳米流体的自由对流，底部壁上有热源，并部分冷却。[10] Behzadmehr A，Saffar-Avval M，Galanis N.使用两相方法，在带有均匀热通量的管中的纳米流体的湍流强制对流预测。INT J热流动流2007； 28：211-219。
优化云资源分配：将复发性神经网络与模糊逻辑系统
收到的纸张日期：2024年11月15日纸张接受日期：2024年12月16日纸张出版日期：2024年12月22日摘要该研究重点是通过将经过的神经网络（RNN）与模糊逻辑相结合。该研究的主要目标是通过整合两种方法的最佳云资源预测模型的准确性和解释性。通过将RNN序列预测能力与模糊逻辑的多功能性相结合以更好地分类不确定性管理和持续输出的多功能性来实现目标。模糊成员资格功能，并将其分类为模糊集（低，中和高）。使用指标RMSE，MSE，MAE和R-Squared（R²）对经典RNN和LSTM模型进行了基准与经典的RNN和LSTM模型进行了基准测试。从获得的结果中可以清楚地看出，RNN模糊性能比其他两个模型RNN和LSTM更好，就预测的准确性。RNN模型模型的RMSE = 0.003377，MSE = 1.141，MAE = 0.0023，R²= 0.5308，而RNN模型的RMSE = 0.013437，MSE = 0.013437，MMSE = 1.941，MAE = 0.0123，和R²= 0.39908。RMSE为0.023897，MSE为2.843，MAE为0.0223，R²为0.4308，对于LSTM模型而言，所有这些相对较差。这表明使用RNN模型模型时，资源分配预测可显着改善，在减少误差指标并提高可解释性的同时更适合数据。这为云资源优化的模糊逻辑与RNN的集成增加了价值。这是可以得出结论，RNN中的模糊逻辑增强了其减轻歧义的能力，以获得更容易解释的输出，因此是在动态上下文中优化云资源的更好替代方法。关键字：复发性神经网络（RNN），模糊逻辑系统，RMSE，MAE，MSE。简介云计算技术已成为现代数字时代企业和组织的重要工具，以追求可扩展性，效率和灵活性（Khan等，2022）。随着云计算的日益增长，虚拟机的安装和维护在云环境中变得越来越困难。今天，云计算区域复杂环境中的主要问题包括虚拟机迁移优化和有效的资源提供。传统上，资源分配和VM迁移技术始终产生了资源浪费和性能降解的问题，因为它们主要使用静态规则或手动设置，而这些规则或手动设置实际上是根据云环境中不断变化的趋势（Lin等，2024）进行修改的。因此，涉及云计算的最具挑战性的问题之一是利用新颖的技术工具，因为机器学习优化了虚拟机器迁移和动态资源分配。虚拟机迁移是云计算中最重要的技术之一，遵循该领域的任何人都可以看到它的重要性。简而言之，虚拟机迁移促进了资源的动态变化，实现负载平衡并增强了云环境的一般使用和效率（Yousefi＆Babamir，2024）。虚拟机迁移的第二个优点是它可以在云环境中的缺陷中维护，成长或恢复而不会破坏用户服务。（Ghobaei -Arani等，2018）。这会改善系统的可用性。然而，虚拟机迁移并非没有挑战，包括在迁移过程中的绩效丧失，增加的迁移时间以及在迁移过程中引起的潜在数据一致性问题（Ruan等，2019）。传统的虚拟机迁移和资源分配优化通常取决于人类的设置或静态规则，这些规则和限制了许多缺点和限制。首先，静态规则通常无法对云环境中发生的动态变化做出反应。这意味着分配的资源要么不足或过多，影响