XiaoMi-AI文件搜索系统
World File Search SystemINFORCE
元逆约束增强...
逆增强学习（IRL）由于其有效性从专家的演示中恢复奖励功能的有效性，因此一直在接受大量的研究工作，这些奖励功能可以很好地解释专家的行为。在实际应用中，约束无处不在，与一组约束相比，奖励功能比单个奖励功能更好地解释了复杂的行为（Malik等，2021）。因此，提出了逆约束强化学习（ICRL）以从专家的示范中学习限制。IRL上的最新目前（Fu等，2018; Imani＆Ghoreishi，2021）和ICRL（Scobee＆Sastry，2019年）可以在不受约束的环境中学习奖励功能，或者可以推断出与获得地面真相奖励但不能推断出两者的约束。为了解决这一挑战，提出了分布式ICRL（Liu＆Zhu，2022）来学习专家的奖励功能和约束。在本文中，我们遵循（Liu＆Zhu，2022）中的ICRL的定义，这意味着学习专家的奖励功能和约束。
德克萨斯州帕萨迪纳 77507 日本触媒和阿科玛与法国电力能源服务公司签署可再生能源协议，加强其气候计划
通过创新提供来自可再生途径的更具可持续性的丙烯酸材料、更安全和高耐久性的性能，进一步降低碳足迹解决方案，并为客户提供涂料、油墨、3D 打印、粘合剂、复合材料、卫生和水处理等应用领域的市场领先解决方案。我们正与行业合作伙伴一起，加速丙烯酸价值链的脱碳。”
先进复合材料的技术增强材料
GIVIDI FABRICS 在全球最先进的织造设施之一生产技术织物；该公司成立于 1962 年，如今拥有最先进的技术生产结构，年产能超过 3000 万平方米。GIVIDI FABRICS 基于 E 玻璃、高模量 R 玻璃和高强度 S 玻璃、碳纤维、芳纶纤维、其他高强度/高性能纤维和混合纤维，为您最苛刻的应用生产最高质量的技术织物。凭借我们在高性能纤维方面的长期经验和知识以及我们广泛的研发设施和能力，我们很自豪能够提供创新解决方案的资源和专业知识，以满足不断变化的客户需求。GIVIDI FABRICS 还生产经过多种编织类型、热固性粉末和热塑性涂层处理的增强材料。这些产品非常适合预成型和稳定，以及有机片材应用。 GIVIDI FABRICS 是一家高效、可靠且技术先进的意大利公司，隶属于 GIVIDI 集团。产品质量、持续改进的追求和对创新的热情是 GIVIDI FABRICS 活动的特点，并通过提供高质量的创新解决方案为客户实现价值最大化，使 GIVIDI FABRICS 成为其细分市场中无可争议的参考点。50 多年来，GIVIDI FABRICS 产品一直用于复合材料应用，从赛艇和汽车到豪华游艇；如今，GIVIDI FABRICS 的增强材料用于多种先进的
玻璃纤维增强复合材料的疲劳寿命行为...
摘要：玻璃纤维增强复合材料 (FGRC) 具有优异的机械性能、低成本和耐腐蚀性，可用于替代汽车部件制造中的大部分金属。FGRC 在受到恒幅载荷 (CAL) 时会发生疲劳失效。然而，对 FGRC 行为的研究仍然缺乏预测工程和分析工具，主要是因为对这些材料行为的了解不足，包括它在受到变幅载荷 (VAL) 时的完整性。因此，本研究旨在研究欠载对不同层压板取向的 FGRC 疲劳寿命行为的影响。增强材料使用具有 [0/90]° 和 [±45]° 取向的单向玻璃纤维，并选择短切原丝毡来研究周期性欠载的影响。同时使用聚酯树脂作为基质材料。FGRC 复合材料采用手工铺层技术制造，根据 ASTM D3039 进行拉伸试验，根据 ASTM D3479 进行疲劳试验。结果表明，与 CAL 结果相比，欠载效应使 FGRC 的疲劳寿命行为从实际值下降 1.4% 到 18%。
玻璃纤维增强复合材料在欠载条件下的疲劳寿命行为
摘要：玻璃纤维增强复合材料 (FGRC) 具有优异的机械性能、低成本和耐腐蚀性，可用于替代汽车部件制造中的大部分金属。FGRC 在受到恒幅载荷 (CAL) 时会发生疲劳失效。然而，对 FGRC 行为的研究仍然缺乏预测工程和分析工具，这主要是因为对这些材料的行为（包括其在受到变幅载荷 (VAL) 时完整性）的了解不足。因此，本研究旨在调查不同层压板取向的 FGRC 的欠载对疲劳寿命行为的影响。增强材料使用具有 [0/90]° 和 [±45]° 取向的单向玻璃纤维，并选择短切原丝毡来研究周期性欠载的影响。同时使用聚酯树脂作为基质材料。FGRC 复合材料采用手工铺层技术制造，根据 ASTM D3039 进行拉伸试验，根据 ASTM D3479 进行疲劳试验。结果表明，与 CAL 的结果相比，欠载效应会使 FGRC 的疲劳寿命行为从实际值下降 1.4% 到 18%。
天然纤维增强塑料与尼龙 - UQTR
印后版本。最终版本在此发布：Mejri, M.、Toubal, L.、Cuillière, J. C. 和 François, V. (2017)。短天然纤维增强塑料与尼龙的疲劳寿命和残余强度。复合材料 B 部分：工程（第 110 卷，第 429-441 页）。 https://doi.org/10.1016/j.compositesb.2016.11.036 CC BY-NC-ND 4.0
持续强化学习
尽管近年来对持续学习（CL）的兴趣日益增强，但继续加强学习（CRL）仍然是一项艰巨的任务，因为深层神经网络必须从维持旧任务表现的新任务中从每个从未见过的新任务中推断出适当的行动。为了解决此问题，一些CRL算法使用基于正则化的方法来限制常规CL中使用的权重和基于重播的方法。但是，它需要花费大量时间来学习，因为它需要大量的基于重播和具有复杂正则化项的内存。在本文中，我们提出了一个简单的框架，用于保留相关顺序任务之间的知识fmal，即MAP注意力丢失。我们的方法利用模型的一般CNN，可以很好地执行所有顺序任务，并且注意机制用于提取基本特征进行传输。另外，FMAL同时使用正规化方法和基于重播的方法，例如现有的CRL方法。但是，学习所需的记忆量要小得多，正则化的项相对简单。我们使用最先进的算法评估FMAL。实验结果表明，我们的方法以较高的奖励超过这些基准。
钢筋混凝土结构的耐久性
tum.de › attfile › 2016-Jul PDF 作者：C Gehlen · 被引用次数：2 — 作者：C Gehlen · 被引用次数：2 Therefore, the reliability of structures designed in this manner covers a large range.... CO2 concentration of the ambient air [kg/m³].8 页
javanese国际象棋游戏和加固学习
然后AI开始迅速发展。AI方法也出现。从图理论，树理论，状态理论，基于知识的系统到基于概率的专家系统。但是，这些理论实际上不符合约翰·麦卡锡（John McCarthy）提出的AI原则。这些理论不依赖于人类理论可以思考的学习概念。这些理论仅依靠树理论和概率理论的结合来做出决定。