XiaoMi-AI文件搜索系统
World File Search SystemFEA
数据驱动的金属添加剂制造过程中温度演变的预测
aabstr abtract Act ..在这项研究中，开发了一种数据驱动的深度学习模型，以快速准确预测温度演化和金属添加剂制造过程的熔融池尺寸。该研究的重点是通过直接能量沉积制造的M4高速钢材料粉末的批量实验。在非优化过程参数下，许多沉积层（以上30）通过由覆层材料对热史的高灵敏度引起的样品深度产生了巨大的微观结构变化。在先前的研究中通过实验测量验证的批量样本的2D有限元分析（FEA）能够实现定义在不同过程设置下温度场进化的数值数据。训练了馈送前向神经网络（FFNN）方法，以重现由FEA产生的温度场。因此，训练有素的FFNN用于预测初始数据集中未包含的新过程参数集的温度字段历史记录。除了输入能量，节点坐标和时间外，还认为五个相关的层数，激光位置以及从激光到采样点的距离可提高预测准确性。结果表明，FFNN可以很好地预测温度演化，在12秒内精度为99％。
Haydn Green Institute
摘要：在高应变速率（HSR）加载下的单向和平原编织S2玻璃/乙烯基酯复合材料的压缩特性和失败分析已使用Split Hopkinson压力棒（SHPB）技术研究。在这项工作中采用了一种系统的实验方法，以确定各种应力水平下的损伤进展以及对复合材料的应变率影响。经典的SHPB设备已通过波浪捕获机制纳入，以应用预定的冲击负荷水平并限制重复的负载。这有助于识别加载期间微结构损伤进展。研究了所有三个主要方向的应力 - 应变响应，并通过微观检查确定相关的故障模式。将准静态抗压强度，失效应变和弹性模量与SHPB测试结果进行比较，以确定失败机理的变化。观察到单向和普通编织复合材料的抗压强度和失效应变均取决于速率。分析了这种压缩响应的速率依赖性，并建立了对复合材料的速率影响之间的相关性。最后，在高应变率负载下，还针对单向复合材料进行了三维瞬态有限元分析（FEA），以便对失败机理有透彻的了解。载荷以厚度，纤维和横向施加，并模拟相应的应力轮廓。加载的所有三个主要方向的应力 - 应变行为的FEA预测与高应变率实验结果良好相关。
帆和盖硬件 - Columbus Marine
使用 FEA（柔性元素分析）的软件。Aquabatten Pod • 储备 Bainbridge Aquabattens 并免费获得一个新 Pod！* • 可容纳 100 多个板条 • 以专业的方式展示用于销售点或阁楼存储的板条 • 易于补充，大量库存可当天发货 板条 • Aquabatten，市场领先的游艇和小艇帆板条 • 玻璃环氧树脂和碳环氧树脂 • 易于使用的板条选择应用程序 • 在英国设计和制造
DEFORM® Premier
三十多年来，DEFORM 已被证明是一种适用于工业应用的精确而强大的有限元分析 (FEA) 解决方案。该模拟引擎能够非常准确地预测大变形金属流动、热传递和材料特性。先进的网格生成器会自动创建自适应的优化网格。任意体对体接触支持对多个变形体的分析。整个系统都提供用户定义的工具，允许高级用户根据自己的需求自定义模型。
电动机替代模型的数据有效的机器学习方法 /作者= Wang，Bingnan; Sakamoto，Yusuke /creationDate = 2024年6月5日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
电动机广泛用于家庭和各种行业，其技术和设计原则已良好。但是，电机设计和定制的要求，特别是对于电动汽车和飞机等新应用以及工厂自动化的要求，总是对汽车设计人员构成新的挑战。参数扫描或迭代优化方法经常被使用，以评估大量设计候选者，然后再识别特定任务的最佳设计。对每个电动机设计糖果的准确分析通常依赖于有限元分析（FEA）的数值模拟，这些模拟是耗时的，尤其是当评估一个设计的各种操作点时。因此，希望寻求FEA的替代分析方法来快速预测运动性能。基于替代模型的优化已被研究以加快过程[1]。由于高度非线性的性质，传统替代模型的准确性在预测某些运动性能（例如扭矩波形和效率图）时会受到影响。近年来，机器学习和深度学习方法已经找到了许多应用，并且由于其模拟高度非线性功能的能力而应用于运动设计[2]，[3]。这种方法的一个主要挑战是达到合理预测准确性所需的大型数据集大小。在本文中，我们提出了用于电动机设计优化的数据有效机器学习模型的三种策略：一个，减少用于电机设计的机器学习模型的输入维度；第二，与基于物理的方法结合
磁共振引导聚焦新型头部固定装置的设计
b 弗吉尼亚大学生物医学工程系，本科摘要聚焦超声 (FUS) 是一种新兴的非侵入性技术，为治疗多种神经系统疾病（如特发性震颤和多形性胶质母细胞瘤 (GBM)）提供了一种替代方法。FUS 已被证明可以以安全和有针对性的方式破坏 BBB，然而，用于该过程的头部固定装置最初是为放射外科设计的。为此，研究小组提议开发一种用于 FUS 应用的新型头架。该设计的创建基于以下重要的总体目标：1) 减少设计笨重以最大限度地减少图像失真，2) 增加 BBBO 治疗范围，3) 最大限度地提高患者的舒适度。使用计算机辅助设计 (CAD) 软件 Fusion 360 创建设计迭代，然后 3D 打印并组装最终设计以创建原型。使用 Fusion 360 对框架进行有限元分析 (FEA)，以确定安全系数和在变形前可施加到设备前部旋转旋转螺钉上的最大力。对新型头架原型进行了静态应力有限元分析，平均固定扭矩为 0.348 Nm，最大固定扭矩为 0.522 Nm。结果显示，最大力为 273.1 MPa，安全系数为 1.0，最大力为 409.7 MPa，安全系数为 0.67。关键词：FUS、BBBO、GBM、立体定向头架、FEA
IRIS 咨询委员会，2024 年 11 月 26 日
变更：为参与者提供客户服务指南、后续沟通期望和程序。为什么需要：参与者和倡导者已经表达了对需要更好的沟通渠道和所有联系人的响应时间的担忧。FEA 客户服务标准在 2024 年合同更新中得到了解决。反馈：实质上，ICA 表示要求过多且过于规范。BPDD 要求在对参与者的初始问候中包含预期的响应时间。DHS 回应：接受突出显示的请求更改。红线语言：第 53-54 页根据反馈做出的更改：
使用深度编码器-解码器卷积神经网络预测经颅磁刺激引起的脑电场
摘要 — 经颅磁刺激 (TMS) 是一种非侵入性、有效且安全的神经调节技术，可用于诊断和治疗神经和精神疾病。然而，大脑组成和结构的复杂性和异质性对准确确定关键大脑区域是否接收到正确水平的感应电场提出了挑战。有限元分析 (FEA) 等数值计算方法可用于估计电场分布。然而，这些方法需要极高的计算资源并且非常耗时。在这项工作中，我们开发了一个深度卷积神经网络 (DCNN) 编码器-解码器模型，用于从基于 T1 加权和 T2 加权磁共振成像 (MRI) 的解剖切片实时预测感应电场。我们招募了 11 名健康受试者，并将 TMS 应用于初级运动皮层以测量静息运动阈值。使用 SimNIBS 管道从受试者的 MRI 开发头部模型。将头部模型的整体尺寸缩放至每个受试者的 20 个新尺寸尺度，形成总共 231 个头部模型。进行缩放是为了增加代表不同头部模型尺寸的输入数据的数量。使用 FEA 软件 Sim4Life 计算感应电场，将其作为 DCNN 训练数据。对于训练好的网络，训练和测试数据的峰值信噪比分别为 32.83dB 和 28.01dB。我们模型的关键贡献在于能够实时预测感应电场，从而准确高效地预测目标脑区所需的 TMS 强度。