XiaoMi-AI文件搜索系统
World File Search SystemJet
超微孔钙方酸盐金属有机骨架的气溶胶喷射打印
金属有机骨架 (MOF) 是具有独特吸附性能的微孔结晶配位聚合物。它们在催化、1 气体存储、2 分离 3 和微电子领域显示出了巨大的潜力。4 作为传感器涂层，它们可以将分析物富集在传感器表面，在某些情况下是选择性的。5,6 然而，由于缺乏简便和通用的沉积和图案化技术，它们的集成受到阻碍。7,8 基于溶液的 MOF 沉积技术，例如化学溶液生长或液相外延，可能会导致腐蚀或污染。4 化学气相沉积可以避免这些风险，9 但受到金属前体的反应性和连接剂的挥发性的限制。已经展示了多种用于 MOF 涂层的图案化方法。减法方法（例如剥离图案化 9,10 或无抗蚀剂直接光刻 11）涉及修改整个基板，这增加了残留物污染的风险。相比之下，加法图案化技术（例如选择性生长 12、微接触 12,13 和喷墨打印 14,15）仅将目标材料沉积在基板的有限区域上。喷墨打印特别
NVIDIA Jetson AGX Orin 系列
NVIDIA® Jetson AGX Orin TM 系列提供服务器级性能，可为自主系统提供高达 275 TOPS 的 AI 性能。Jetson AGX Orin 系列包括 Jetson AGX Orin 64GB 和 Jetson AGX Orin 32GB 模块。这些节能的系统级模块 (SOM) 与 Jetson AGX Xavier TM 外形尺寸和引脚兼容，可提供高达 8 倍的 AI 性能。Jetson AGX Orin 模块采用 NVIDIA Orin SoC，配备 NVIDIA Ampere 架构 GPU、Arm® Cortex®-A78AE CPU、下一代深度学习和视觉加速器以及视频编码器和视频解码器。高速 IO、204 GB/s 内存带宽和 32GB 或 64GB DRAM 使这些模块能够为多个并发 AI 应用程序管道提供支持。借助 SOM 设计，NVIDIA 完成了围绕 SoC 的大量设计工作，不仅提供计算和 I/O，还提供电源和内存设计。有关更多详细信息，请参阅我们的 Jetson AGX Orin 系列数据表 1 。
气溶胶喷气式印刷作为操作电化学TEM微电视的多功能样品制备方法
很多重点是研究其运作，降级和最终（最终）的原则。投资新的路线以提高电池的容量和寿命，需要在其操作的各个阶段仔细表征组成型材料，或者更好地观察他们在设备运行时获取信息的能力。在这些方法中，Operando Liquid-Cell透射电子显微镜（也称为原位液体传输电子显微镜（TEM））在文献中受到了很大的关注。[1-7]对于这种技术，微制造用于创建两个硅芯片，每芯片都涂有一层薄层的氮化硅（SIN X）。然后将硅在本地蚀刻以形成悬浮的电子透明罪x窗口。其中一种芯片通常用图案化的光片涂层，该光片可以用作定义细胞厚度的间隔器。可以在两个Si芯片之间密封一层液体（这称为液体电池）。可以在液体环境中与液体环境中的电子成像，在TEM列中，可以用电子成像，从而规避高真空吸尘器的严格要求。当将这种方法用作研究电化学系统的操作技术时，用2或3个电触点对芯片进行了图案，并且其中至少有一个（称为工作电极）位于Sin X窗口区域上。这种方法进一步称为电化学TEM（EC-TEM），已用于研究燃料电池和电池系统。[1,3,8,9] EC-TEM面临的最大挑战之一是对电极的可靠制备，必须足够薄才能通过液体电池进行电子传输，并且必须仔细地将其定位在con-tact上（需要在10 µm的订单下定位精度）。此外，在机械应变下稀薄的Sin X窗户可以很容易地破裂，并且液体细胞可能会遭受不完美的密封，从而使显微镜真空降解。因此，迄今为止的许多EC-TEM研究都集中在实验期间在工作电极上电沉积的感兴趣材料（例如Li Metal）的系统。[1,3,10]以这种方式，感兴趣的材料仅限于电极，并且在实验之前不需要大量的样品准备。因此，关于工业相关材料的EC-TEM文献通常是不相容的，因为它们通常是不兼容的
使用 NVIDIA Jetson 上的深度学习进行面罩检测
2019 年 12 月，冠状病毒大流行开始。冠状病毒疾病-19 (COVID-19) 通过直接接触直接从受污染的表面传播。为了对抗病毒，需要大量设备。口罩是人多拥挤场所个人防护的重要组成部分。因此，确定一个人是否戴着口罩对于融入当代社会至关重要。为了实现这一目标，本文提出的模型使用了深度学习库和 OpenCV。出于安全考虑，选择了这种方法，因为它在部署期间具有很高的资源效率。分类器是使用 MobileNetV2 结构构建的，该结构设计为轻量级，能够在 NVIDIA Jetson Nano 等嵌入式设备中使用以进行实时口罩识别。模型构建的阶段包括收集、预处理、拆分数据、创建模型、训练模型和应用模型。该系统利用图像处理技术和深度学习来处理实时视频源。当有人没有戴口罩时，输出最终会通过内置蜂鸣器发出警报声。实验结果和测试用于验证系统的性能。包括训练和测试，识别率达到99%。
Intelecy如何使用Synadia ngs和Jetstream
Intelecy是无代码AI平台，可帮助工业公司通过实时机器学习见解来优化工厂和工厂流程。这些见解允许过程工程师手动或自动改善结果，质量和可持续性，而无需大量的自定义代码或硬件。旨在帮助工厂朝着更大的自动化和真实的“灯光”操作能力发展，Intelecy安全地从工厂中的数万传感器中牢固地收集了数据，并使用NAT和NGS全球数据结构将数据推入云中。然后，智能平台通过为工厂中的每个工业过程定制的机器学习模型运行数据，并将分析和洞察力返回传感器和控制系统，并近乎实时地返回系统，往返往返潜伏期不到一秒钟。intelecy可以以所有广泛使用的工业格式（包括SCADA，HMI，DCS和MES）摄入和处理数据。直觉客户来自各种工业部门，包括食品和饮料，材料，发电和采矿。Intelecy在云本机架构上运行，使用Kubernetes/Nomad精心策划的容器，Engoy Proxy，GRPC，用于消息传递的GRPC，单击“单击”时间序列数据存储以及用于数据流和智能持久性的NATS的NATS，使用kubernetes/nomad，grpc，grpc，grpc，grpc和智能持久性。
粘合剂喷射高度柔性和导电石墨烯/PVOH复合材料的制造
摘要：当前的添加剂制造（AM）技术可以使用多种塑料，金属和陶瓷材料制造具有复杂几何形状的零件。目前，集成技术的进步有限，可以在同一部分打印不同的材料。键合零件需要进一步处理；它还创建了与应力浓度令人衰弱的界面。总体而言，零件性能受到损害。因此，在3D打印多物质和功能分级的零件中有值。在这里，报道了一种新型的粘合剂喷射方法，用于单步生产多物质和功能分级的零件。该方法将纳米颗粒墨水沉积在粘合剂中。陶瓷，聚合物或金属粉末必定会构建纳米复合材料。通过在打印过程中切换纳米粒子油墨，该过程构建了具有分级电导率和柔韧性的材料。为了演示该方法，制定了氧化石墨烯（GO）墨水，用于打印到聚乙烯醇（PVOH）粉末上。最终产品是一种GO/PVOH复合材料，具有电导率和高灵活性。该复合材料显示为超级电容器应用的高孔隙率材料。
TextureJet 技术评估
本报告的内容和布局受 Wood 版权保护（© Wood Group UK Limited 2022），除非我们已合法将版权转让给其他方或 Wood 已获得许可使用。在我们拥有本报告版权的范围内，未经我们事先书面同意，不得将其复制或用于本报告中所述目的以外的任何目的。本报告中包含的方法（如果有）以保密方式提供给您，未经 Wood 事先书面同意，不得向第三方披露或复制。披露该信息可能构成可诉的违反保密规定或可能以其他方式损害我们的商业利益。任何以任何方式获得本报告的第三方在任何情况下均须遵守下文所述的第三方免责声明。
用于增材制造中耦合微流体-粉末动力学的多功能 SPH 建模框架：粘合剂喷射、材料喷射、定向能量沉积和粉末床熔合
许多增材制造 (AM) 技术都依赖于粉末原料，这些原料通过熔化或化学结合随后烧结形成最终部件。在这两种情况下，工艺稳定性和最终部件质量都取决于粉末颗粒和流体相（即熔融金属或液体粘合剂）之间的动态相互作用。本研究提出了一种通用的计算建模框架，用于模拟涉及热毛细管流动和可逆相变的耦合微流体-粉末动力学问题。具体而言，液相和气相与由基材和移动粉末颗粒组成的固相相互作用，同时考虑温度相关的表面张力和润湿效应。在激光-金属相互作用的情况下，快速蒸发的影响通过额外的机械和热界面通量来整合。所有相域都使用光滑粒子流体动力学进行空间离散化。该方法的拉格朗日性质在动态变化的界面拓扑背景下是有益的。在制定相变时要特别小心，这对于计算方案的稳健性至关重要。虽然底层模型方程具有非常通用的性质，但所提出的框架特别适用于各种 AM 过程的中尺度建模。为此，通过几个应用驱动的示例证明了计算建模框架的通用性和稳健性，这些示例代表了特定的 AM 过程，即粘合剂喷射、材料喷射、定向能量沉积和粉末床熔合。除其他外，它还展示了粘合剂喷射中液滴的动态影响或粉末床熔合中蒸发引起的反冲压力如何导致粉末运动、粉末堆积结构的扭曲和粉末颗粒的喷射。
2021 年年度报告和账目 - easyJet plc
在提名委员会领导的全面搜寻之后，Stephen Hester 于 2021 年 9 月 1 日加入我们，担任独立非执行董事和候任主席，并将于 2021 年 12 月 1 日接替我担任主席。因此，这将是我作为主席的最后一次报告，我在董事会任职近九年。在这段时间里担任主席是一种荣幸，我为 easyJet 不仅度过了疫情，而且适应并重建得更加强大，为未来做好了充分准备而感到自豪。我很高兴将工作移交给 Stephen Hester 这样有能力的人，并一直与他密切合作，以确保顺利过渡。