XiaoMi-AI文件搜索系统
World File Search SystemICME
jo杂志
MGI域中的 TMS活动是众所周知的。 它们包括在宣布MGI的一年内为社区启动学术期刊：整合材料和制造创新。 在MGI推出的那一年，TMS在其正在进行的和备受赞誉的会议系列中举行了第一个：全球综合计算材料工程大会（ICME）。 一年后，该协会推出了一个伴随的新活动系列：3D材料科学国际大会（3DMS）。 最近，我们首次亮相了另一个倾向于MGI的活动，该活动是材料和制造业人工智能大会（AIM）。 在过去15年中（早于MGI的推出），TMS在支持MGI领域的领域进行了许多必不可少的科学和技术加速器研究。 最新的最新将在本月的MS＆T24上发布：数字制造业的革命：集成机器，机器人技术，人工智能和形成技术。TMS活动是众所周知的。它们包括在宣布MGI的一年内为社区启动学术期刊：整合材料和制造创新。在MGI推出的那一年，TMS在其正在进行的和备受赞誉的会议系列中举行了第一个：全球综合计算材料工程大会（ICME）。一年后，该协会推出了一个伴随的新活动系列：3D材料科学国际大会（3DMS）。最近，我们首次亮相了另一个倾向于MGI的活动，该活动是材料和制造业人工智能大会（AIM）。在过去15年中（早于MGI的推出），TMS在支持MGI领域的领域进行了许多必不可少的科学和技术加速器研究。最新的最新将在本月的MS＆T24上发布：数字制造业的革命：集成机器，机器人技术，人工智能和形成技术。
海军部 SBIR/STTR 过渡计划
运营需求和改进内容：AM 为整个国防部提供了生产快速维护老化系统以及开发新一代系统所需的组件的机会。目前，AM 部件主要用于非结构和非关键应用，因为仍然存在无法满足一致机械性能的风险。目前的 AM 实践导致部件包含气流和金属流引起的缺陷。当此类缺陷位于部件内部时，可以使用热等静压修复，但表面缺陷无法修复。需要开发 ICME 建模工具来优化定向能量沉积 (DED) 和激光粉末床熔合 (LPBF) AM 工艺过程中的气流和金属熔合，并为结构关键应用生产非常高质量的组件。
钛合金疲劳性能基础研究
在500–600°C下具有优异比强度的轻质高强度钛合金不仅用于飞机的结构构件、紧固件和发动机部件，还用于汽车发动机部件和/或排气系统，根据其使用情况，需要具有强度、疲劳强度、断裂韧性、抗蠕变和抗氧化等各种性能。主要在飞机领域研究了微观结构、织构、化学成分等对钛合金疲劳性能的影响，通过引入故障安全和损伤容限设计，提高了可靠性。1–3) 最近，正在进行如下所述的停留疲劳研究和利用集成计算材料工程（ICME）一致预测其疲劳寿命的研究和开发。4) 在日本，除了飞机之外，还开发了汽车、消费品（例如高尔夫球杆头）和医疗设备的应用。因此，除了对钛合金的疲劳、裂纹扩展和断裂韧性的基础研究之外，5、6）还进行了大量针对各自用途所需性能的研究。
钛合金疲劳性能基础研究
钛合金在500～600℃的高温下具有高强度，可用于飞机的结构件、紧固件和发动机部件，此外还用于汽车发动机部件和/或排气系统，根据其使用情况，需要具有强度、疲劳强度、断裂韧性、抗蠕变性和抗氧化性等各种性能。钛合金的微观结构、织构、化学成分等对疲劳性能的影响主要在飞机领域进行研究，通过引入故障安全和损伤容限设计，提高了可靠性。1-3) 最近，正在进行如下所述的停留疲劳研究以及利用集成计算材料工程（ICME）来一致预测其疲劳寿命的研究和开发。4）日本除了飞机之外，还开发了汽车、消费品（例如高尔夫球杆头）和医疗设备的应用。因此，除了对钛合金的疲劳、裂纹扩展和断裂韧性的基础研究外，5,6）还进行了大量与各自用途所需的性能相关的研究。
金港MA
• IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2019–2022, 2024 • IEEE International Conference on Computer Vision (ICCV) 2019, 2021 • European Conference on Computer Vision (ECCV) 2020, 2022 • AAAI Conference on Artificial Intelligence (AAAI) 2020–2022 • Neural Information Processing Systems (NeurIPS) 2020, 2021 • IEEE International Conference on Multimedia and Expo (ICME) 2019 • ACM SIGGRAPH 2013–2020, 2022, 2023 • ACM SIGGRAPH Asia 2013–2019, 2021, 2022 • Eurographics 2010, 2013–2018, 2020 • Pacific Graphics 2011, 2013, 2014, 2018 • Computer Graphics International (CGI) 2012 • CAD/Graphics 2013 • Asian Conference on Computer Vision (ACCV) 2016 • IEEE VR 2018•图形上的ACM交易•图像处理上的IEEE交易•IEEE可视化和计算机图形的IEEE交易•IEEE计算机图形和应用程序
数字孪生：
本文是多个组织共同努力的结果。AIAA 数字工程集成委员会 (DEIC) 整合了多个部分的组织作者身份。本文描述的通用参考模型由 INCOSE 基于模式的系统工程工作组编写，并针对本文介绍的数字孪生进行了量身定制。本文讨论的八个现实世界数字孪生用例由诺斯罗普·格鲁曼公司 (Cygnus 案例研究)、NASA 综合计算材料工程 (ICME) 优化 Aurora D8 飞机先进复合材料部件案例研究)、范德比尔特大学 (旋翼机部件数字孪生案例研究)、STEP Tools, Inc. (制造数字孪生系列案例研究)、波音公司 (更智能的座椅认证测试案例研究)、佐治亚理工学院 (Kendeda 大厦案例研究)、通用电气 (数字幽灵案例研究) 和土耳其航空航天公司 (铁鸟数字孪生案例研究) 编写。
数字孪生：
本文是多个组织共同努力的结果。AIAA 数字工程集成委员会 (DEIC) 整合了多个部分的组织作者身份。本文描述的通用参考模型由 INCOSE 基于模式的系统工程工作组编写，并针对本文介绍的数字孪生进行了量身定制。本文讨论的八个现实世界数字孪生用例由诺斯罗普·格鲁曼公司 (Cygnus 案例研究)、NASA 综合计算材料工程 (ICME) 优化 Aurora D8 飞机先进复合材料部件案例研究)、范德比尔特大学 (旋翼机部件数字孪生案例研究)、STEP Tools, Inc. (制造数字孪生系列案例研究)、波音公司 (更智能的座椅认证测试案例研究)、佐治亚理工学院 (Kendeda 大厦案例研究)、通用电气 (数字幽灵案例研究) 和土耳其航空航天公司 (铁鸟数字孪生案例研究) 编写。
用于...
1。Pigou，L。; Dieleman，s。; Kindermans，P.-J。 ; Schrauwen，B。 使用卷积神经网络的手语识别。 在计算机视觉中 - ECCV 2014研讨会； Agapito，L.，Bronstein，M.M.，Rother，C。，编辑。 ; Springer International Publishing：CHAN，2015年；卷。 8925，pp。 572–578 ISBN 9783319161778。 2。 Zaki，M.M。 ; Shaheen，S.I。 使用基于新视觉的功能组合的手语识别。 模式识别信2011，32，572–577，doi：10.1016/j.patrec.2010.11.013。 3。 Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。 19–24。 4。 bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。 1-7。 5。 Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Pigou，L。; Dieleman，s。; Kindermans，P.-J。; Schrauwen，B。使用卷积神经网络的手语识别。在计算机视觉中 - ECCV 2014研讨会； Agapito，L.，Bronstein，M.M.，Rother，C。，编辑。; Springer International Publishing：CHAN，2015年；卷。8925，pp。572–578 ISBN 9783319161778。2。Zaki，M.M。 ; Shaheen，S.I。 使用基于新视觉的功能组合的手语识别。 模式识别信2011，32，572–577，doi：10.1016/j.patrec.2010.11.013。 3。 Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。 19–24。 4。 bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。 1-7。 5。 Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Zaki，M.M。; Shaheen，S.I。使用基于新视觉的功能组合的手语识别。模式识别信2011，32，572–577，doi：10.1016/j.patrec.2010.11.013。3。Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。 19–24。 4。 bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。 1-7。 5。 Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。19–24。4。bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。1-7。5。Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Gupta，Nikhil。“字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。6。jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。1-6。7。Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Liang，Z。; Liao，s。;胡，B。8。1-4。9。3D卷积神经网络，用于动态手语识别。计算机期刊2018，61，1724–1736，doi：10.1093/comjnl/bxy049。Kanavos，A。; Papadimitriou，O。; mylonas，p。; Maragoudakis，M。使用深层卷积神经网络增强手语识别。 在第2023届第14届国际信息，情报，系统与应用程序（IISA）会议录中； IEEE：沃尔斯，希腊，2023年7月10日； pp。 张，p。; Wang，D。; Lu，H。多模式视觉跟踪：审查和实验比较。 comp。 Visual Media 2024，10，193–214，doi：10.1007/s41095-023-0345-5。Kanavos，A。; Papadimitriou，O。; mylonas，p。; Maragoudakis，M。使用深层卷积神经网络增强手语识别。在第2023届第14届国际信息，情报，系统与应用程序（IISA）会议录中； IEEE：沃尔斯，希腊，2023年7月10日； pp。张，p。; Wang，D。; Lu，H。多模式视觉跟踪：审查和实验比较。comp。Visual Media 2024，10，193–214，doi：10.1007/s41095-023-0345-5。
ONR 广泛机构公告 (BAA) N0001424SB002 ...
本 BAA 的重点主要放在继续推进系统工程方法的项目上，这些方法对于设计、制造和生产结构部件以应对系统重量、性能、可负担性和/或生存能力方面的挑战是必需的。这种方法的基础应包括将计算工具中捕获的材料信息与工程产品性能分析和制造过程模拟（通常称为集成计算材料工程 (ICME)）集成在一起。在此基础上，预计制造过程信息和产品性能信息将利用各种工程和分析工具、流程和原则进行集成，以提高其集成方法的效率和有效性。其目的是将材料设计师、材料供应商、产品设计师和制造商聚集在一起，共同合作设计、生产和商业化新颖的可负担、可制造的系统。项目可能包括基础和应用研究、技术和组件开发以及原型设计；但也可能侧重于制造供应链技术支持和集成、劳动力发展和制造教育。本 BAA 不会影响当前的海军 ManTech 投资策略和项目选择过程。
社论：数据驱动的高熵材料集成计算材料工程
高熵材料 (HEM)，包括合金、陶瓷、氧化物和半导体，吸引了大量研究者，以研究其诱人/优异的性能和潜在的关键应用（ Zhang et al., 2014 ; Santodonato et al., 2015 ; Wang et al., 2017 ; Zhang et al., 2017 ; Ding et al., 2019 ; Qin et al., 2019 ; Shi et al., 2019 ; Li et al., 2020 ; Oses et al., 2020 ; Wright and Luo, 2020 ）。由于多个溶质原子的贡献，预计构型熵会更高，从而倾向于形成简单的固溶体（非晶态或晶体），而不是具有许多化合物的复杂微结构。除了高通量实验外，由相图计算（CALPHAD）、从头算分子动力学、相场模拟、有限元计算和蒙特卡罗组成的集成计算材料工程（ICME）方法也得到了材料基因组计划/工程（MGI/MGE）的支持，并正在增强数据库（Liu et al.，2040；The Minerals Metals Materials Society，2015；Wang et al.，2019；Wang et al.，2020）。面向可继承的集成智能制造时代，数据驱动的 ICME 对于加速新型先进 HEM 的发现和应用至关重要。本文回顾并强调了 HEM 领域的前沿研究，介绍了最近对 HEM 的成分 - 加工 - 微观结构 - 性能 - 性能关系的基本理解和理论建模的研究，HEM 具有远超传统合金的可定制性能，例如高强度、延展性、超高熔点、电导率和热导率、耐腐蚀、抗氧化、疲劳和耐磨性。这些特性无疑将使 HEM 在生物医学、结构、机械和能源应用方面引起人们的兴趣。HEM 具有新颖和令人兴奋的性质，有望实现显着增长，并为新的研讨会和研究领域提供了绝佳机会。在本期特刊中，我们汇总了五篇手稿，讨论了与新型 HEM 相关的几个关键方面。在题为“高熵合金的高通量计算：简要回顾”的评论文章中，Li 等人。重点介绍了HEM合成物开发中常用的四种计算方法，包括经验模型、第一性原理计算、CALPHAD和机器学习。经验模型和机器学习都是基于总结和分析，后者由于使用了多种算法而更可信。第一性原理计算基于量子力学和多个开源数据库，也为CALPHAD和机器学习的热力学分析提供了更精细的原子信息。