XiaoMi-AI文件搜索系统
World File Search SystemChinesta
PDF中的程序PDF中的程序
使用几何和拓扑描述符进行基于知识的优化的流形学习。*d。 Muñoz，F。Chinesta，E。Nadal，O。Allix，J。Ródenas，加速Fe^2通过（无模型）数据驱动的计算方法对有限应变制度进行计算
数字孪生：迈向全新模式联盟
数字孪生：迈向全新的联盟模式 – 数据 Francisco Chinesta、Jean Louis Duval 和 Elias Cueto 主席 ESI @ PIMM - Arts et Métiets ParisTech / Fédération Francilienne de Mécanique Francisco.Chinesta@ensam.eu 最初，行业采用虚拟技术模拟工具形式的双胞胎，通过数字模型代表材料、过程、结构和系统的物理特性。 21 世纪初，数据突然进入工程领域。多年来，它们被用于模型欠发达或仍然更加不确定的其他领域。可以使用人工智能技术对大量收集的数据进行分类、剖析、分析等。我们正处于数字孪生王国中，物理模型必须在精度和速度之间进行选择，已被数据取代。这里我们有离线虚拟双胞胎和在线数字双胞胎。然后，虚拟与数字、物理（由于模型简化技术而虚拟地实时表达自己）与数据（通过人工智能表达自己）相结合。然而，尽管取得了巨大的成功，但很快就出现了某些困难：在许多情况下，即使持续调整也无法描述和预测观察到的现实。
科学艺术与工艺 (SAM)
摘要 锂离子电池因其高能量和功率密度而被广泛应用于汽车工业（电动汽车和混合动力汽车）。然而，这也带来了新的安全性和可靠性挑战，需要开发新型复杂的电池管理系统 (BMS)。BMS 可确保电池组安全可靠地运行，要实现这一点，必须求解一个模型。然而，当前的 BMS 并不适合汽车行业的规范，因为它们无法以实时速率和在广泛的操作范围内提供准确的结果。因此，这项工作的主要重点是开发混合动力双胞胎，如 Chinesta 等人所介绍的那样。(Arch Comput Methods Eng (in press), 2018. 以满足新一代 BMS 的要求。为了实现这一目标，三种降阶模型技术应用于最常用的基于物理的模型，每种技术适用于不同的应用范围。首先，使用 POD 模型大大减少伪二维模型的仿真时间和计算工作量，同时保持其准确性。通过这种方式，可以在节省时间和计算资源的同时进行电池设计、参数优化和电池组仿真。此外，还研究了它的实时性能。接下来，使用稀疏-本征广义分解 (s-PGD) 从数据构建回归模型。结果表明，它实现了带有电池组的整个电动汽车 (EV) 系统的实时性能。此外，由于获得的代数表达式简单，该回归模型可以毫无问题地用于 BMS。使用系统仿真工具 SimulationX（ESI ITI GmbH）演示了使用所提方法对 EV 的仿真。德国德累斯顿 。此外，使用 s-PGD 创建的数字孪生不仅可以进行实时仿真，还可以根据实际驾驶条件和实际驾驶周期调整其预测，从而实时更改规划。最后，开发了一种基于动态模式分解技术的数据驱动模型，以提取一个在线模型来纠正预测和测量之间的差距，从而构建第一个（据我们所知）能够从数据中自我校正的锂离子电池混合孪生。此外，得益于该模型，上述差距在驾驶过程中得到了纠正，同时考虑到了实时限制。
科学艺术与手工艺（SAM）
摘要 锂离子电池因其高能量和高功率密度而被广泛应用于汽车工业（电动汽车和混合动力汽车）。然而，这也带来了新的安全性和可靠性挑战，需要开发新型复杂的电池管理系统 (BMS)。BMS 可确保电池组安全可靠地运行，要实现这一点，必须求解一个模型。然而，目前的 BMS 并不适合汽车行业的规范，因为它们无法在实时速率和广泛的操作范围内提供准确的结果。因此，这项工作的主要重点是开发一种混合动力双胞胎，如 Chinesta 等人所介绍的那样。 （Arch Comput Methods Eng（印刷中），2018。以满足新一代 BMS 的要求。为此，三种降阶模型技术被应用于最常用的基于物理的模型，每种技术针对不同的应用范围。首先，使用 POD 模型来大大减少伪二维模型的仿真时间和计算工作量，同时保持其准确性。通过这种方式，可以节省时间和计算资源，同时进行电池设计、参数优化和电池组仿真。此外，还研究了它的实时性能。接下来，利用稀疏-固有广义分解 (s-PGD) 从数据构建回归模型。结果表明，它可实现带有电池组的整个电动汽车 (EV) 系统的实时性能。此外，由于获得的代数表达式简单，该回归模型可在 BMS 中毫无问题地使用。使用系统仿真工具 SimulationX（ESI ITI GmbH）演示了采用所提方法的 EV 仿真。德国德累斯顿）。此外，使用 s-PGD 创建的数字孪生不仅可以进行实时模拟，还可以根据实际驾驶条件和实际驾驶周期调整其预测，从而实时更改规划。最后，开发了一种基于动态模式分解技术的数据驱动模型，以提取在线模型来纠正预测和测量之间的差距，从而构建出第一个（据我们所知）能够从数据中自我纠正的锂离子电池混合孪生。此外，由于该模型，上述差距在驾驶过程中得到了纠正，同时考虑到实时限制。