XiaoMi-AI文件搜索系统
World File Search SystemFVM
锂离子电池数值方法的比较分析...
电化学模型可以洞悉电池的内部状态，成为电池设计和管理的有力工具。这些模型由数值求解的偏微分方程 (PDE) 组成。在本文中，我们比较了两种常用于数值求解锂离子电池控制 PDE 的空间离散化方法，即有限差分法 (FDM) 和有限体积法 (FVM)，它们的模型精度和质量守恒保证。首先，我们提供对 FDM 和 FVM 进行空间离散化的数学细节，以求解电池单粒子模型 (SPM)。从实验数据中识别 SPM 参数，并进行灵敏度分析以研究不同电流输入配置文件下的参数识别能力，然后对两种数值方案进行模型精度和质量守恒分析。利用三阶 Hermite 外推方法，本文提出了一种增强型 FVM 方案，以提高依赖线性外推的标准 FVM 的模型精度。本文表明，采用 Hermite 外推的 FVM 方案可建立精确且稳健的控制型电池模型，同时保证质量守恒和高精度。© 2023 电化学学会（“ECS”）。由 IOP Publishing Limited 代表 ECS 出版。[DOI：10.1149/1945-7111/ ad1293]
单细胞转录组分析突出了...
糖尿病性视网膜病（DR）是一种主要的糖尿病并发症，可能导致糖尿病患者的严重视力障碍，并且已成为全球健康问题（Yau等，2012）。增殖性糖尿病性视网膜病（PDR）是DR的晚期阶段，其特征是微瘤病，这可能导致纤维血管膜（FVM）形成。FVM中泄漏和脆弱的血管的异常生长很容易导致玻璃体甚至视网膜牵引力出血（Tamaki等，2016; Nawaz等，2019）。因此，FVM的病理对PDR的血管病很重要。阿尔茨海默氏病（AD）是一种进行性神经退行性疾病，属性为60％至70％，占痴呆症病例，威胁着全球老年人的健康（WHO，2023年）。它的特征是认知和记忆力障碍，衰老和血管风险因素是
同一个健康研究院举办 2023 届新生招待会
新生入学活动是吉大港兽医与动物科学大学 (CVASU) 一年一度的活动。在招收新生后，大学会组织一个联合活动，热烈欢迎兽医学院 (FVM)、食品科学与技术学院 (FST) 和渔业学院 (FOF) 的学生。今年，CVASU 成立了一个名为“生物技术与遗传工程学院 (FBGE)”的新学院，入学活动也包括 FBGE 的学生。通过破冰活动，该计划主要为学生提供有关大学校园的宝贵见解，同时激励他们取得长期成功。该计划的主要议程仍然是向所有学院学生介绍校园的共同行政和监理职能和设施。此后，每个学院都会为学生安排单独的新生活动，介绍课程、实验室设施、未来就业领域等。校园还为所有学院学生组织文化活动。
沉积物传输的离散相建模和大坝溢洪道中悬浮颗粒的冲刷
在大坝管理和大坝可靠性评估中出现的首要问题之一是悬浮颗粒的沉积。沉积影响能源生产和效率，储存，排放能力和洪水衰减能力。在本文中，使用有限体积方法（FVM）软件ANSYS对大坝溢洪结构中的沉积物传输和冲刷进行建模。根据离散相模型（DPM）制定了水流中悬浮颗粒的轨迹。为了访问仿真模型，使用缩放的大坝溢洪道模型进行了粒子图像速度法（PIV）实验。从模拟和PIV实验获得的发现之间的差异小于4.89％，推断数值模型是可以接受的。发现最大搜查率和最大沉积速率分别为4.20×10-9 kg/s和2.00×10-6 kg/s。因此，基于唯一考虑解决悬浮颗粒的搜查和沉积，应每8.9年进行一次每8.9年的水坝维护。这项工作证明了在研究中基于DPM的数值模拟的生存能力，在研究沉积物传输问题的流体相互作用中，尤其是用于应用大坝可靠性。
用...
摘要：本文报告了具有正方形和圆形冷却通道的微通道热交换器的三维数值优化的结果。优化的目的是最大化全局热电导或最大程度地减少全局热电阻。响应表面优化方法（RSM）用于数值优化。在单位细胞微通道的底部表面施加了高密度热通量（2.5×10 6𝑊/𝑚2），并使用ANSYS Fluent Commercial软件包进行了数值模拟。微通道的元素体积和轴向长度𝑁= 10 r均固定，而宽度则是免费的。冷却技术采用单相水，该水通过矩形块微通道散热器流动以在强制对流层流方向上去除微通道底部的热量。在微通道轴向长度上泵送的流体的速度为400≤𝑅𝑒≤500的范围。有限体积方法（FVM）用于描述用于求解一系列管理方程的计算域和计算流体动力学（CFD）代码。研究并报告了水流数量和雷诺数对峰值壁温度和最小温度的影响。数值结果表明，具有方形冷却通道的微通道比具有圆形构型的微量散热器具有最大最大的全局热电导率。数值研究的结果与开放文献中的内容一致。关键字：正方形配置，圆形配置，微散热器，数值优化，导热率[接收到2022年8月1日；修订于2022年10月8日；被接受的2022年11月6日]印刷ISSN：0189-9546 |在线ISSN：2437-2110
偏微分方程的无监督随机量子网络
该过程的计算成本可能很高，特别是对于高维问题以及需要非结构化网格时，例如为了解释局部不规则行为。然后可以使用各种数值方法（例如有限元 (FEM)、有限差分 (FDM) 或有限体积 (FVM)）求解该离散方案。但即使是这些方法对于大型复杂问题也可能效率低下。例如，描述流体运动的 Navier-Stokes 方程的解可能需要超级计算机上数百万小时的 CPU 或 GPU 时间。另一个例子是泊松方程，它是工程学中最重要的偏微分方程之一，包括热传导、引力和电动力学。在高维环境中对其进行数值求解只能使用迭代方法，但迭代方法通常不能很好地随着维度而扩展和/或在处理边界条件或生成离散化网格时需要专业知识。神经网络 (NN) 非常适合解决此类复杂 PDE，并且已在工程和应用数学的各个领域用于复杂回归和图像到图像的转换任务。科学计算界早在 20 世纪 80 年代就已将其应用于 PDE 求解 [ 20 ]，但近年来人们对它的兴趣呈爆炸式增长，部分原因是计算技术的显著进步以及此类网络公式的改进，例如在 [ 4 , 21 , 32 ] 中详细介绍和强调过。量子计算是一种变革性的新范式，它利用了微观物理尺度上的量子现象。虽然设计难度显著增加，但量子计算机可以运行专门的算法，这些算法的扩展性比传统计算机更好，有时甚至呈指数级增长。量子计算机由量子位组成，与传统数字计算机中的位不同，量子位基于量子物理的两个关键原理存储和处理数据：量子叠加和量子纠缠。它们通常会出现特定的误差，即量子误差，这些误差与其量子比特的量子性质有关。即使目前还没有足够复杂度的量子计算机，我们也显然需要了解我们希望在其上执行哪些任务，并设计方法来减轻量子误差的影响 [ 29 ]。量子神经网络形成了一类新的机器学习网络，利用叠加和纠缠等量子力学原理，有可能处理复杂问题和 / 或高维空间。量子神经网络的建议架构包括 [ 7 , 11 , 34 ]，并表明它可能具有潜在的优势，包括更快的训练速度。对量子机器学习的初步理论研究表明，量子网络可以产生更易于训练的模型 [ 1 ]。这与使用机器学习解决 PDE 问题尤其相关，因为产生更有利损失景观的技术可以大大提高这些模型的性能 [13,18]。在目前的研究中，我们提出了一种制定量子神经网络的新方法，将一些经典的机器学习技术转化为量子设置，并在特定的 PDE（Heat、Poisson 和 HJB 方程）背景下开发复杂性分析。这提供了一个框架来展示量子神经网络作为 PDE 求解器的潜力和多功能性。本文结构如下：第 2 部分介绍 PINN 算法，并回顾经典和量子网络的基础知识。在第 3 部分中，我们介绍了一种新颖的