XiaoMi-AI文件搜索系统
World File Search SystemTempe
引用发布版本（APA）：Zheng，Y.，Che，Y.，Hu，X.，Sui，X。，＆Teodorescu，R。（2024）。锂离子B
摘要 - 锂离子电池在电动汽车中的大规模应用需要细致的电池管理，以确保车辆的安全性和性能。温度在锂离子电池的安全性，性能和寿命中起着重要作用。因此，电池管理系统应及时监控电池的温度（SOT）。由于电动汽车的机载温度传感器有限，大多数电池的SOT必须通过其他测量的信号（例如电流和电压）估算。为此，本文通过用机器学习将基于物理的热模型梳理，开发了一种准确的方法来估计电池的表面温度。使用集团的质量热模型来提供机器学习的电池温度的先验知识。与温度相关的特征（例如内部电阻）实时提取，并将其作为补充输入中馈入机器学习框架，以提高估计的准确性。将卷积神经网络与长期短期记忆神经网络相结合的机器学习模型已与热模型依次集成，以了解模型输出与实际温度值之间的不匹配。已针对实验结果进行了验证，与常规的基于纯热模型和纯数据驱动的方法相比，准确性提高了79.37％和86.24％。
在室温下用氧碳植入的GD掺杂的GAN中的自旋机制
摘要 - 用氧气和碳植入的氮化甘露的氮化岩在室温下显示载体介导的自旋机制。使用Tris（环戊二烯基）Gadolinium前体通过金属有机化学蒸气沉积生长的GD掺杂的GAN显示出普通的霍尔效应，并且在室温下没有浪漫主义。在o或c植入GD掺杂的GAN中，观察到表明载体介导的自旋和铁磁性的异常大厅效应。即使在植入后也保持良好的晶体质量。o和c偏爱间质站点，并在GD掺杂的GAN中占据了深层的受体型状态。由GD掺杂的GAN诱导的gadolinium诱导的室温自旋和铁磁性被占据间隙部位的O和C激活。载体介导的自旋功能的机制显示了对控制和操纵自旋作为氮化壳中的量子状态的潜力。这使gagdn：o/c成为室温旋转和量子信息科学应用的潜在半导体材料基础。在本文中，研究了使用离子植入，使用X射线衍射的结构表征在GD掺杂GAN中掺杂，并研究了使用高级HALL效应的自旋相关测量，并进行了相应的讨论。
电动汽车电池寿命延长的实时可实施的集成能量和机舱温度管理
摘要：在许多新兴技术中，电池电动汽车（BEV）已成为对严格排放法规的突出和高度支持的解决方案。尽管受欢迎程度越来越大，但可能会危害其进一步传播的主要挑战是缺乏充电基础设施，电池寿命降级以及实际和有望的全电动驾驶范围之间的差异。本文的主要重点是制定综合能量和热舒适管理（IETM）策略。此策略可最佳地管理供暖，通风和空调（HVAC）单元所需的电能，这是电池负荷上最受影响的辅助设备，以最大程度地减少电池寿命在任何特定的驱动循环中的降解，同时确保实际的机舱温度徘徊在允许的公寓内悬停在参考机舱温度中允许的公寓温度限制内，并且驾驶员的驾驶员启动了驱动器，并始终启动。这项工作结合了健康（SOH）估计模型，高保真舱室热力学模型以及HVAC模型的市售BEV的前向示例模拟模型，以展示提出的增强电池寿命的IETM IETM策略的效果和功效。IETM的瞬时优化问题是通过利用目标函数凸度的黄金搜索方法来解决的。在不同的驾驶场景下进行的模拟结果表明，提议的物品控制器带来的改进可以将电池健康降解最大化高达4.5％，能源消耗量最高2.8％，同时将机舱温度偏差保持在允许的范围内，从而在允许的限制范围内与参考温度保持一致。
温度驱动的铀酰有机框架的生长
经验公式C 48 H 24 N 3 O 16 U 2配方重量1374.76温度/K 100晶体系统单斜空间群C2/C A/Å17.8388（13）B/Å56.143（4）C/Å18.6016（14）（14）（14）α/°90α/°90β/°116.66.66.66.66.02（3） 16734(2) Z 8 ρcalcg/cm 3 1.091 μ/mm -1 8.365 F(000) 5160.0 Reflections collected 155999 Independent reflections 14743 [R int = 0.0703, R sigma = 0.0381] Data/restraints/parameters 14743/24/625 Goodness-of-fit on F2 1.041 Final R索引[i> =2σ（i）] r 1 = 0.0407，WR 2 = 0.1138最终R索引[所有数据] R 1 = 0.0465，WR 2 = 0.1168
习惯持久性
2023年和2024年初的全球温度前所未有的飞跃超过0.4°C（图1）。我们和合着者2解释了独特的大型变暖，其归因于中等的El Nino和船舶气溶胶的减少，而目前的太阳能最大值的贡献较小（我们的整个论文，包括抽象和补充材料，在此处单个压缩的PDF中都可以使用）。将通过2025年全球温度提供对我们解释的“酸”测试：与1997-98和2015-16 El Ninos不同，随后，全球冷却分别超过0.3°C和0.2°C，我们预计2025年的全球温度将保持在1.5°C的水平上或高于1.5°C的水平上。的确，尽管La Nina弱，但2025年甚至可能创造了新的记录。有两个独立原因。首先，由于硫酸盐气溶胶在海洋上的减少而引起的“新”气候强迫仍然存在，其次，高气候敏感性（对CO 2倍加倍的CO 2 〜4.5°C）意味着，最近增加的强迫的变暖仍在显着增长。
基于机器学习的光伏系统温度和太阳辐照度的预测
摘要：近年来，在环境问题和对可再生能源的研究中，光伏（PV）系统纳入全球能源景观。对温度和太阳辐照度的准确预测对于优化PV系统的性能和网格整合至关重要。机器学习（ML）已成为提高这些预测准确性的有效工具。这项全面的综述探讨了基于ML的温度和太阳辐照度的PV系统的先驱技术和方法。本文介绍了各种算法和通常用于温度和太阳辐射预测的技术之间的比较研究。这些包括回归模型，例如决策树，随机森林，XGBOOST和支持向量机（SVM）。本文的开头强调了准确的天气预报对PV系统运行以及与传统气象模型相关的挑战的重要性。接下来，探索了机器学习的基本概念，突出了提高准确性的好处，以估算电网集成的PV发电。
控制低温共烧陶瓷收缩以实现无约束烧结
摘要——低温共烧陶瓷 (LTCC) 在烧制过程中的收缩是 LTCC 制造中最难控制的特征之一，因为许多因素都会影响结果。胶带制造商给出的收缩率不能完全转移到准备、使用和设备不完全一致的生产环境中。因此，可预测的收缩模型对于按照规格制造 LTCC 设备至关重要。这项工作的目的是使用强大的实验设计 (DOE) 技术为 Ferro L8 胶带开发此类模型。有四个因素不同：堆叠厚度、设备表面、施加的压力和层压过程中的温度。在这些实验中，其他因素（例如操作员、层压时间或烧制曲线）保持为固定值。结果变量是层压质量和 x、y 和 z 方向的收缩。发现叠层质量主要受叠层厚度和叠层表面积相互作用的影响，而对于 z 方向收缩，这种相互作用以及叠层温度是重要因素，最后对于横向收缩，叠层厚度、表面积和温度是主要影响因素。建立了 z 方向和横向收缩的数值模型。这项工作加强了对 LTCC 收缩的理解，并允许 Ferro L8 用户正确补偿收缩布局。
低温SABATIER CO2甲基化
Brodie于1872年首先描述了CO/CO 2与H 2的混合物与H 2的混合物。[1]三十年后，1902年，“法国正世俗主义”的促进者保罗·萨巴蒂尔（Paul Sabatier）和父亲让·巴蒂斯特·森德伦斯（Jean Baptiste Senderens）[2]描述了他们与CO和CO 2氢化对镍催化剂的反应有关的发现。[3]两种流室MIC反应有选择性地产生甲烷。在镍上，反应在250°C下轻松进行，而在CO 2的情况下需要350°C。[4]使用较高的温度引起的碳沉积。使用钴的使用暗示在较高温度下起作用，以开始反应。几年后，萨巴蒂尔（Sabatier）以有远见的方式提议将这种反应应用于CO 2和电解产生的氢气的产生或加热气体。[5]部分要归功于这些关于CO 2甲基化的研究（今天也称为Sabatier反应），Sabatier于1912年与Victor Grignard一起获得了化学诺贝尔奖。从历史上看