XiaoMi-AI文件搜索系统
World File Search SystemParametric
齿轮维修应用中的直接能量沉积参数模拟研究
摘要：添加剂制造技术比传统技术具有许多优势；然而，它们的生产过程可能导致产生的零件的较高残留应力和扭曲。使用数值模拟模型作为预测印刷过程产生的变形和残留应力的解决方案。这项研究旨在通过定向能量沉积（DED）来预测齿轮修复过程中施加的紧张和扭曲。首先，分析了国家标准技术研究所（NIST）提出的案例研究，以验证该模型和数值获得的结果。随后，对DED技术的某些参数的影响进行了参数研究。验证NIST基准桥模型获得的结果与实验获得的结果一致。反过来，从参数研究获得的结果几乎总是与理论上预期的结果一致。但是，某些结果不是很清楚和一致。获得的结果有助于阐明某些打印参数的影响。所提出的模型允许考虑残余应力在计算齿轮负荷产生的应力时的影响，这是疲劳分析的必要数据。建模和模拟沉积过程可能会由于多种因素而具有挑战性，包括校准模型，管理计算成本，计算边界条件以及准确代表材料属性。本文旨在在两个案例研究中仔细解决这些参数，以实现可靠的模拟。
多偏二敏过程的建模和估计
融合细丝制造（FFF）或融合沉积建模（FDM）是多种领域中广泛使用的增材制造技术。然而，空隙，层之间的粘结差，而FDM Pa-Rameter通常会影响FDM打印的物体，从而改变其强度。研究人员已经研究了用于FDM打印的碳纳米管（CNT）复合材料，以提高其特征。本文提出了一个用于预测机械性能的CIENT三级计算模型，以及用于制备CNT融合的昀碗哀叹的独特淬火过程。通过广泛的参数分析揭示了FDM过程参数在机械性能上的ince。与纯ABS相比，注入CNT的复合材料表现出更好的键合和模量。实验研究表明，对于ABS和ABS-CNT而言，层高度的增加分别使弹性模量分别恶化了21.03％和27.92％。在pure ABS中，In ll密度分别从100％增加到75％和50％，将模量增加49.3％和69.6％。分别在0 - 0 0和0 - 90 0方向上打印的零件，分别为纯ABS和纳米复合材料发现了2.11％和1.7％的降低。计算结果与实验性昀碗nding非常吻合，在0.1 mm和0.2 mm的层高度的差异从10.15％到5.5％不等。对于其他参数（例如栅格方向），0 - 0 0和0 - 90 0的差分别为5.3％和6.9％。计算结果与实验结果一致，使其成为优化FDM打印和利用CNT以提高零件性能的有用工具。
标题：约瑟夫森行波参量放大器及其在计量学中的应用
量子传感器、量子信息电路、超导量子比特等领域的最新发展以及更广泛的天文探测和现代通信都依赖于微波光子的精确探测。然而，用于可靠和灵敏地表征固态量子电路（特别是超低功率和光子微波电路）的计量工具严重缺乏。不仅需要确定微波功率，还需要精确和准确地确定单光子特性（包括时间和相位）以及多光子特性（例如重合和纠缠）。目前最先进的低温放大器在高噪声温度方面不足，全球正在探索新型放大器以在灵敏度的量子极限下运行。参数放大器是目前已知的唯一实现微波信号量子极限灵敏度的方法。然而，实现足够大且足够平坦的带宽（例如从约 1 GHz 到 10 GHz）仍然是一项具有挑战性的任务。在具有三波混频的行波放大器中，目前的情况是可以改善的，但三波混频只有在具有非中心对称非线性的介质中才有可能。设计具有大且可控的非中心对称非线性的非线性介质（量子超材料）的可能性是量子光学的一个重要目标，它将实现参数增益、压缩和纠缠光子对的产生，为它们在量子信息处理和通信（QIPC）中的应用铺平道路。这种量子超材料可以借助约瑟夫森技术进行设计，并且可以同时实现具有三波混频的 JTWPA 和微波领域量子光学电路的优异特性。
建模和测试超导性人工CPW线适合参数放大
摘要 - 高增益和量子限制噪声的放大是一个困难的问题。使用具有高动力学电感的超导传输线的参数放大不仅是解决此问题的一种有前途的技术，而且还增加了一些好处。与其他技术相比，它们具有改善功率饱和度，实现较大的分数带宽并以较高频率运行的潜力。在这种类型的放大器中，选择适当的传输线是其设计中的关键元素。鉴于当前的制造局限性，传统的线路（例如Coplanar WaveGuides（CPW））并不理想，因为很难使它们具有适当的特征阻抗，以使其具有良好的匹配和足够慢的相位速度，以使其更加紧凑。电容载荷线，也称为人造线，是解决此问题的良好解决方案。但是，很少提出设计规则或模型来指导其准确的设计。考虑到它们通常是以Floquet线的形式制造的，这一事实更加重要，必须仔细设计以抑制参数过程中出现的不希望的谐波。在本文中，我们首先提出了一种新的建模策略，基于电磁仿真软件的使用，其次是一种促进和加快CPW人造线和由其制成的Floquet线的设计的第一原理模型。然后，我们与实验结果进行了比较，以证明其准确性。最后，理论模型允许人们预测人造线的高频行为，表明它们是实现100 GHz以上参数放大器的良好候选者。
双用途地下热电池的数值建模和参数研究
本报告是作为美国政府机构赞助的工作的记录而编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
drivaernet：用于数据驱动空气动力设计和基于图的阻力预测
摘要这项研究介绍了Drivaernet，这是3D行业标准汽车形状的大规模高保真CFD数据集，以及RegDGCNN（一种动态的图形卷积神经网络模型），均旨在通过机器学习进行空气动力的汽车设计。drivaernet，其4000个详细的3D汽车网架使用了50万个表面网状面和全面的空气动力性能数据，包括全3D压力，速度场和壁剪应力，解决了广泛的数据集以训练工程应用中深度学习模型的广泛数据的关键需求。它比以前最大的汽车公共数据集大60％，并且是唯一对车轮和车身底部进行建模的开源数据集。regdgcnn利用此大型数据集直接从3D网格中提供高精度的阻力估计，绕过传统限制，例如需要2D图像渲染或签名距离字段（SDF）。通过在几秒钟内实现快速的阻力估计，RegdGCNN便有助于快速的空气动力学评估，从而为在汽车设计中的数据驱动方法整合而实现了巨大的飞跃。一起，Drivaernet和Regdgcnn承诺将加速汽车设计过程，并有助于开发更有效的车辆。为了为未来的创新奠定基础，我们的研究中使用的数据集和代码可在https://github.com/mohamedelrefaie/drivaernet 1中公开访问。
使用语音助手的参数2D框架对AI的应用进行建模和结构分析
摘要。结构计算对于土木工程至关重要，但是用于分析的专门软件是有限的。缺乏有效工具的可用性已经产生了探索优化这些计算的新方法。这项工作解决了上述问题，提议使用Python和自动化技术提供创新且可访问的解决方案，以提高2D帧结构分析领域的效率。该提案旨在通过依靠AI来减少工作时间，并促进该领域的可访问性。为了实现此目的，使用了专为使用矩阵方法的结构分析而设计的Python库Anstruct。此工具可以详细定义结构元素，约束和负载以及分析结果的可视化。此外，语音识别库是通过语音接收实现的，该库可以加快数据输入过程和结构分析命令。通过进行调查，与传统方法相比，该计划的平均分析时间平均减少在73.33％至94.29％之间。100％的受访者一致确认其提高了效率，而78.6％的受访者表示愿意为将来的项目推荐它。
多层感知器和参数模型的混合集成用于智能电网的可靠性预测
摘要 电力系统的可靠运行是电力公司的一个主要目标，这需要准确的可靠性预测以最大限度地减少电力中断的持续时间。由于天气状况通常是智能电网（尤其是其配电网）电力中断的主要原因，本文全面研究了各种天气参数对配电网可靠性性能的综合影响。特别地，提出了一种基于多层感知器 (MLP) 的框架，使用常见天气数据的时间序列来预测一个配电管理区域中每日持续和瞬时电力中断的次数。首先，实施参数回归模型来分析每日电力中断次数与各种常见天气参数（如温度、降水量、气压、风速和闪电）之间的关系。然后将选定的天气参数和相应的参数模型作为输入，以建立 MLP 神经网络模型来预测每日电力中断次数。引入了一种改进的基于极限学习机 (ELM) 的分层学习算法，使用来自佛罗里达州电力公司的实时可靠性数据和来自国家气候数据中心 (NCDC) 的常见天气数据来训练制定的模型。此外，还实施了敏感性分析以确定各种影响
随机晶格上的量子行走：扩散、局域化和参数量子加速的缺失
离散时间量子游动是经典随机游动的量子泛化，为凝聚态系统的量子信息处理、量子算法和量子模拟提供了框架。量子游动的关键特性是其量子信息应用的核心，与经典随机游动相比，量子游动在传播中可以实现参数量子加速。在这项工作中，我们研究了量子游动在渗透产生的二维随机晶格上的传播。在拓扑和平凡分步游动的大规模模拟中，我们在不同的时间尺度上确定了不同的预扩散和扩散行为。重要的是，我们表明，即使是任意弱的随机移除晶格位点浓度也会导致超扩散量子加速的完全崩溃，从而将运动降低为普通扩散。通过增加随机性，量子游动最终会由于 Anderson 局域化而停止扩散。在局域化阈值附近，我们发现量子游动变为亚扩散。量子加速的脆弱性意味着随机几何和图上的量子游动的量子信息应用将受到巨大限制。
贝叶斯结构学习，具有参数边缘的计数数据：对微生物群的应用
高维和异质计数数据在各种应用领域收集。在本文中，我们仔细研究了有关微生物组的高分辨率测序数据，这些数据使研究人员能够研究整个微生物群落的基因组。揭示这些社区之间的潜在互动对于学习微生物如何影响人类健康至关重要。为了从类似的多元计数数据中进行结构学习，我们开发了一个具有两个关键元素的新型高斯副图形模型。首先，我们采用参数回归来表征边际分布。此步骤对于适应外部协变量的影响至关重要。忽略这种调整可能会在推断基础依赖网络的推断中引起扭曲。其次，我们基于适合高维度的计算效率搜索算法的贝叶斯结构学习框架。该方法返回边缘效应和依赖性结构的同时推断，包括图不确定性估计。一项模拟研究和微生物组数据的真实数据分析突出了所提出的方法在从多元计数数据中推断网络的适用性，尤其是与微生物组分析的相关性。提出的方法是在R软件包BDGraph中实现的。关键字：Copula图形模型，离散的Weibull，链接预测，结构学习，微生物组