XiaoMi-AI文件搜索系统
World File Search SystemCycles
用于热集成卡诺电池的先进有机朗肯循环
摘要 卡诺电池是一种新兴的基载电能存储技术。在充电过程中，该概念通过热泵将多余的电能转换为热能。在放电阶段，动力循环将存储的热能转换回电能。基于有机朗肯循环的卡诺电池依靠技术成熟的组件，可以有效整合低温热源，从而达到相当高的效率。然而，热集成的卡诺电池陷入了功率效率、存储大小和热源利用率之间的权衡。本研究提出了两种方法来尽量减少这种三难困境。第一种方案针对包含闪蒸循环的新型循环布局。模拟结果表明，具有两相膨胀器的有机闪蒸循环可提高卡诺电池的效率，特别是对于高存储温度范围，从而实现更紧凑的存储。第二种方案建议将卡诺电池作为可再生能源和区域供热网之间的高度集成链接。这使得卡诺电池成为一种灵活的部门耦合技术，可以根据需求存储和提供电力和热量。
人工智能在自然周期宫内授精和定时性交中的应用
目的：开发一种机器学习模型，用于预测自然周期中宫内授精或定时性交 (TI) 的排卵时间和最佳受精窗口。设计：一项回顾性队列研究。地点：一家大型体外受精单位。患者：2018 年至 2022 年间接受 2,467 次自然周期 - 冷冻胚胎移植周期的患者。干预措施：无。主要结果测量：预测实施授精或 TI 的最佳日期的准确性。结果：数据集被分成一个包括 1,864 个周期的训练集和 2 个测试集。在测试集中，排卵是通过专家意见或由 2 名独立的生育专家确定排卵日（“专家”）（496 个周期）或根据连续 2 天的超声检查之间主要卵泡的消失来确定的（“确定排卵”）（107 个周期）。训练了两种算法：一种是 NGBoost 机器学习模型，用于估计每个周期发生排卵的概率；一种是治疗管理算法，使用学习模型来确定最佳授精日或是否应进行另一次血液测试。最后一次测试的雌二醇孕酮和黄体生成素水平是该模型使用的最具影响力的特征。“确定排卵”和“专家”测试集的平均测试次数分别为 2.78 和 2.85。在“专家”组中，92.9% 的病例中，该算法正确预测了排卵并建议在第 1 天或第 2 天进行授精。在 2.9% 的病例中，该算法预测为“失误”，这意味着上次测试日已经是排卵日或以后，建议避免进行授精。在 4.2% 的病例中，该算法预测为“错误”，建议进行授精，但事实上应该在非最佳日期（0 或 3）进行。“确定排卵”组也有类似的结果。结论：据我们所知，这是第一项仅基于血液测试实施机器学习模型以高精度安排授精或 TI 的研究，这归因于算法能够整合多种因素而不是仅仅依赖黄体生成素激增。引入该模型的功能可能会提高排卵预测的准确性和效率，并增加受孕的机会。临床试验注册号：HMC-0008-21。（Fertil Steril 2023；120：1004 – 2023 年 12 月，美国生殖医学会。）本文最后提供西班牙语版本。
teemi：一种迭代设计建筑测试循环的开源识字编程方法
1 Novo Nordisk生物可持续性基金会，丹麦技术大学，公里。Lyngby，丹麦2号生物技术与生物医学系，丹麦技术大学，公里。Lyngby，丹麦，丹麦技术大学应用数学与计算机科学系3。Lyngby，丹麦，4联合生物能源研究所，加利福尼亚州埃默里维尔，美国，美国5个生物系统与工程部，劳伦斯·伯克利国家实验室，伯克利，美国加利福尼亚州伯克利，美国6化学和生物分子工程系6深圳高级技术学院合成生物学研究所，中国深圳
为可持续电池寿命促进制造研究的挑战和机会
可持续电池寿命的先进制造研究对于达到净零碳排放量（欧洲委员会，2023a）以及联合国的几个可持续发展目标（UNSDGS）至关重要：30％的CO 2排放，1000万个就业机会，1000万个就业机会和6亿人（世界经济论坛）（2019年世界经济论坛）。本社论论文强调了追求更可持续制造实践的国际动机，并讨论了电池制造中的关键研究主题。电池将是我们可持续未来的核心，因为一代和存储成为按需能源供应的关键组成部分。确定了四个基本主题以满足该领域的工业需求：1。数字化和自动化生产能力：生产质量，智能维护，自动化和人为因素的数据驱动解决方案，2。以人为本的生产：运营商支持和技能开发的扩展现实，3。圆形电池寿命循环：由基于服务和其他新型商业模型支持的圆形电池系统，4。电池价值连锁店的未来主题：通过数字产品护照和下一代电池化学作用提高了工业弹性和透明度。沿这些主题的挑战和机遇是通过循环和更可持续的生产来改变电池价值链的强调，并特别强调了锂离子电池（LIB）。本文以进一步的指示结束
在整个生命周期内提高美国空军军事系统的网络安全
许多新旧军事系统都依赖网络能力来执行任务。已知这些系统的网络方面存在威胁，对美国空军执行作战任务的能力构成风险。本报告介绍了空军生命周期管理中心指挥官委托的一个项目的结果，该项目旨在制定政策、流程管理和组织建议，以在面对高级网络威胁的情况下，在整个生命周期内改善所购军事系统的任务保障。这项研究是作为“武器系统采购中的网络任务保障”项目的一部分完成的。 这项工作是在兰德公司空军项目资源管理计划下进行的，应该引起网络安全和采购界的兴趣。
光学切换超过一百万个低损耗相变材料SB2SE3
摘要：用于集成光子和自由空间平台的下一代光相变为变化技术的开发取决于可以在大量大量且光学损失低的情况下反复切换的材料的可用性。近年来，由于在光谱的近红外透明度和接近硅接近的高折射指数中，由于良好的光学透明度，基于基于锑的硫化硫化硫化材料SB 2 SE 3 SE 3 SE 3被确定为许多应用。SB 2 SE 3的结晶温度左右允许使用光学或电气控制信号在中等能量下实现切换，同时为非挥发性存储提供足够的数据保留时间。在这里，我们研究了与光学应用相关的一系列膜厚度的SB 2 SE 3膜光学切换的参数空间。通过识别最佳的切换条件，我们证明了在20 kHz的可逆切换速率下最多可忍受10个循环。我们的工作表明，固有膜参数与泵送条件的组合对于在光相变化应用中实现高耐力尤为重要。
...中金属微量元素的生物地球化学循环
环境。直接研究授权的行使包括构建已开展的工作并提出一个可能阐明尚未解答的问题的研究项目。就活动的主题而言，很明显，金属及其在环境分区之间的转移（或动态）问题是我工作的核心。在使用同位素地球化学（与其他技术相结合）16年后，我仍然相信这种方法提供了通过其他方式难以获得的有价值的信息。要确信这一点，只需看看越来越多的介绍同位素测量（尤其是铅的同位素测量）的出版物就足够了；分析技术的出现促进了爆炸，这些技术比古老的 TIMS 更便宜、更快……而论文年份致力于研究沉积信息、地表水和大气颗粒，以了解这些区室之间的传输在埃罗省 (Etang de Thau)，论文后期的时间主要致力于土壤、泥炭地和地衣等生物蓄积物的研究，松针或鱼，涉足与考古学直接相关的领域。然而，正是由于方法的多学科性和多样性，这些困难才得以克服，特别是当涉及到相互作用极其复杂、几乎无限的自然环境时。但这个问题最终真的那么重要吗？这需要土壤学、成岩作用、考古学、沉积学、古植物学、形态古生物学、生物学、生态毒理学、兽医学、海洋学、地貌学、化学、放射化学、磁学、数学建模等各个领域的先进知识......不用说，如果我有一些基础知识可以让我或多或少有效地与作为这些学科的专家，我还远未掌握所有的微妙之处和具体知识。在本文档的其余部分中，读者通常很难确定我自己的贡献，因为所提出的研究中不同参与者之间的相互作用非常接近。
表征和综合用于电池能量存储峰值剃须的电池能量存储
储能系统（ESS），例如锂离子电池，如今正在可再生网格系统中使用，以提供网格应用中运行所需的容量，功率和快速响应，包括峰值剃须，频率调节，备用功率和电压支持。每个应用程序在ESS上施加了不同的占空比。这代表与能源产生和需求相关的电荷/放电文件。不同的占空比特征可能会对ESS的绩效，寿命和持续时间产生不同的影响。在锂离子电池中，存在各种化学物质，它们在特定能量，功率和循环寿命方面拥有不同的特征，最终决定了它们的可用性和性能。因此，占空比的表征是确定如何正确设计锂离子电池系统的关键。鉴于用法依赖性降解轨迹，这项研究任务是研究网格电池独特衰老行为的关键步骤。可以通过最佳应用锂离子电池在网格能量存储中实现明显的能源和成本节省，从而可以更大的利用可再生网格系统。在本文中，我们提出了一种基于无监督的学习和频域技术的方法，以表征网格特定的峰值剃须应用的占空比周期。最后，我们提出合成义务周期，以模仿用于实验室测试的电网动态行为。[doi：10.1115/1.4050192]
使用生成AI和“大型模型”（LWMS）
这个特殊兴趣组（SIG）探讨了生成人工智能（Genai）对人类计算机相互作用（HCI）研究过程的变革性影响。这里的主题是回答“问题零”：何时使用以及何时在研究周期中使用AI工具？讨论以HCI通常使用的五个研究阶段为指导：研究计划，原型制定，数据收集，分析和综合以及传播和联系。我们研究了Genai如何加速项目周期，增强可重复性并影响研究中的包容性。我们还解决了有关生成内容所有权的具有挑战性的道德考虑。我们的目标是建立一个HCI爱好者社区，以利用最近开创性的技术的早期优势，并预见其在科学界的普遍性引起的挑战。
受过训练的复发性神经网络在工作内存任务中开发相锁的极限周期
神经振荡无处不在。这些振荡的一个提出的功能是它们充当内部时钟或“参考框架”。信息可以通过与此类振荡相相对于神经活动的时间来编码。与这一假设一致，大脑中这种相位代码的经验观察有多种经验观察。在这里我们问：什么样的神经动力学支持神经振荡的信息的阶段编码？我们通过分析经过工作记忆任务培训的经常性神经网络（RNN）来解决这个问题。净作品可以访问外部参考振荡并任务产生振荡，以使参考和输出振荡之间的相位差保持瞬态刺激的身份。我们发现网络收敛到稳定的振荡动力学。逆向工程这些网络表明，每个相位编码的内存都对应于单独的极限周期吸引子。我们表征了吸引力动力学的稳定性如何取决于参考振荡振幅和频率，即可以在实验上观察到的特性。要了解这些动态基础的连通性结构，我们表明训练有素的网络可以描述为两个相耦合的振荡器。使用此洞察力，我们将训练有素的网络凝结为由两个功能模块组成的简化模型：一个生成振荡的模块和一个在内部振荡和外部参考之间实现耦合函数的模型。总而言之，通过对训练有素的RNN的动态和连通性进行反向工程，我们提出了一种机制，神经网络可以利用该机制来利用参考振荡以进行工作记忆。具体来说，我们建议一个相编码网络生成自动振荡，并以多稳定的方式将其与外部参考振荡耦合。