XiaoMi-AI文件搜索系统
World File Search Systemfem
![arxiv：2402.10347v1 [physics.optics] 2024年2月15日](/simg/5\589dc52abcc9ae6e09dae8400fba3e6b89e79856.webp)
arxiv：2402.10347v1 [physics.optics] 2024年2月15日
在近年来，光子Chern材料具有拓扑边缘状态，这些状态具有强大的疾病，有望实现缺陷 - 不合时宜的光子晶体平板设备。然而，以前已忽略了这些光子Chern板的平面外辐射损失，从而预测这些系统的拓扑保护的准确性有限。在这里，我们开发了一个通用框架，用于测量光子系统中的拓扑保护，例如光子晶体板中，同时考虑了平面内和平面外辐射损耗。我们的方法依赖于频谱定位器，该光谱定位器结合了系统的位置和哈密顿矩阵来绘制系统拓扑结构的真实图案。这种基于操作员的拓扑方法使我们能够使用有限元元素方法（FEM）离散化后直接从全波麦克斯韦方程中得出的有效哈密顿量，从而完整地说明了系统的所有物理过程。由于光谱fem-localizer是由系统主方程的fem离散化构建的，因此所提出的框架适用于任何物理系统，并且与常用的FEM软件兼容。向前迈进，我们预计该方法的一般性是有助于对广泛的复杂物理系统进行拓扑分类的一般性。
ICETET- 2024
2024 年 4 月 17 日 — • 智能/复合/纳米材料。 • FEM/CFD 分析。 • CAD/CAM/CIM/CAE。 • 先进的加工工艺。 • 先进的材料测试和特性。
石墨烯涂层极性结构的压电驱动
摘要 - 基于锆钛酸铅（PZT）的铁电材料由于其强大的压电活性而被广泛用作传感器和执行器。然而，由于高处理温度，脆弱性，缺乏共形沉积以及与微电机械系统（MEMS）集成的可能性有限，因此它们的应用受到限制。关于2-D材料中的压电性的最新研究已经证明了它们在这些应用中的潜力，这本质上是由于它们的灵活性和与MEMS的整合性。在这项工作中，我们在无定形的氧化Si 3 N 4膜上沉积了几层石墨烯（FLG），并通过敏感的激光干涉测量法和严格的限定元素建模（FEM）分析研究了它们的压电反应。对FEM进行的模态分析以及与实验结果的比较表明
探索耳胶囊的动力学和当经压力的动力学：实验验证
摘要：耳胶囊和周围的颞骨表现出复杂的3D运动，受骨传导刺激的频率和位置影响。所得的与当经压力的相关性尚未足够理解，因此在实验和数值上都是这项研究的重点。实验是在三个尸体头的六个颞骨上进行的，在0.1-20 kHz的乳突和经典的巴哈位置上应用了bc助听器刺激。在包括海角和stapes在内的各个颅骨区域上测量了三维运动。使用自定义的声学接收器测量了2粒内压力。该实验是基于Liuhead的自定义有限元模型（FEM）的数字重新创建的，并增加了听觉外围。在4、8和20 GPA之间变化了FEM内皮质骨结构域的模量。 在大多数频率上与实验数据排列的预测差分后压力，并表明头骨变形，尤其是在耳囊中，取决于颅底材料的性能。 实验结果和FEM结果表明，耳胶囊表现为刚性加速度计，在耳蜗上施加惯性载荷，甚至在7 kHz以上。 未来的工作应探讨耳囊和耳蜗含量之间的固体流体相互作用。 v C 2025作者。 所有文章内容（除非另有说明，否则都将根据Creative Commons归因（cc by）许可（https://creativecommons.org/licenses/4.0/）获得许可。在4、8和20 GPA之间变化了FEM内皮质骨结构域的模量。在大多数频率上与实验数据排列的预测差分后压力，并表明头骨变形，尤其是在耳囊中，取决于颅底材料的性能。实验结果和FEM结果表明，耳胶囊表现为刚性加速度计，在耳蜗上施加惯性载荷，甚至在7 kHz以上。未来的工作应探讨耳囊和耳蜗含量之间的固体流体相互作用。v C 2025作者。所有文章内容（除非另有说明，否则都将根据Creative Commons归因（cc by）许可（https://creativecommons.org/licenses/4.0/）获得许可。https://doi.org/10.1121/10.0034859（2024年8月28日收到； 2024年12月19日修订； 2024年12月20日接受； 2025年1月28日在线发布）[编辑：Julien Meaud]
对无定形核变压器绕组中轴向和径向力的比较分析B. D. Thanh *a，T。H. Le A，V。D. D. QuoC B
这项研究的目的是通过两种不同的方法检查和分析作用于无定形核心变压器低压和高压绕组的轴向和径向力，电磁力（EMFS）：一种分析方法：3-D有限元元件（FEM）。首先，提出了分析方法来分析磁回路中泄漏磁场的分布和作用在变压器绕组上的力。然后提出嵌入在ANSYS MAXWELL中的FEM，以在三个不同的工作条件下计算和模拟轴向和径向力：无负载，额定额定负载和短路。最终比较了从低压和高压绕组中的两种不同方法，例如额定电压，额定电流，短路电流，轴向和径向力以及EMF，以说明方法一致。该方法的验证应用于1600KVA-22/0.4KV的三相无定形核心变压器。
具有双V形磁铁结构的永久磁体同步电动机的动态等效磁网络模型和驱动系统
等效磁网络（EMN）方法似乎是电动机中磁场的一种更有效的分析方法，比等效磁路方法（EMC）[11]和比有限元方法（FEM）相比，相结合了更高的计算精度和更快的计算速度。W. Shi等。研究了具有V形磁铁结构的PMSM的EMN，该结构可以准确计算磁场分布并模拟电动机的抗磁力化能力[12]。J. Zhang等。 提出了双层磁铁结构永久磁铁同步不情愿电动机，并建立了其EMN模型，该模型可以准确计算电动机的气隙通量密度分布，并用于转子结构的设计和优化[13]。 尽管如此，[12]和[13]中的EMN模型不可用于计算绕道通量，电动力（EMF）和扭矩波形以及转子旋转。 然后，介绍了根据转子位置修改EMN在定子和转子之间的连接的动态EMN模型，以解决此问题。 H. Kwon等。 研究并建立了具有表面无磁体结构的PMSM的动态EMN模型，该模型可以获得与FEM相似的磁场计算结果[14]。 G. Liu等。 研究了具有单层V形磁体结构的PMSM的动态EMN模型。 其正确性通过FEM和实验验证[15]。 但是，在本文中对拟议的DVMPMSM的动态EMN模型没有相关的研究。J. Zhang等。提出了双层磁铁结构永久磁铁同步不情愿电动机，并建立了其EMN模型，该模型可以准确计算电动机的气隙通量密度分布，并用于转子结构的设计和优化[13]。尽管如此，[12]和[13]中的EMN模型不可用于计算绕道通量，电动力（EMF）和扭矩波形以及转子旋转。然后，介绍了根据转子位置修改EMN在定子和转子之间的连接的动态EMN模型，以解决此问题。H. Kwon等。研究并建立了具有表面无磁体结构的PMSM的动态EMN模型，该模型可以获得与FEM相似的磁场计算结果[14]。G. Liu等。研究了具有单层V形磁体结构的PMSM的动态EMN模型。其正确性通过FEM和实验验证[15]。但是，在本文中对拟议的DVMPMSM的动态EMN模型没有相关的研究。在[16]中，动态EMN模型用于表面安装的PMSM的多目标优化，这对电动机的快速设计有益。
自我指导的在线机器学习拓扑优化
拓扑优化通过在给定域中最佳分发材料来优化，需要2个无梯度优化器来解决高度复杂的问题。然而，在涉及数百个设计变量或更多涉及的情况下，解决此类问题将需要数百万个有限的4个元素方法（FEM）计算，其计算成本又大且不切实际。在这里5我们报告了一个自我指导的在线学习优化（SOLO），该优化（SOLO）将深度神经6网络（DNN）与FEM计算集成在一起。DNN将目标学习并替换为设计变量的7个函数。少数培训数据是基于DNN的全局最佳预测而动态生成的8。DNN适应了新的培训数据9，并在关注区域提供了更好的预测，直到收敛为止。我们的算法通过合规性最小化问题和流体结构优化问题测试了10个。IT 11
基于有限元的机器学习框架，用于预测分娩过程中盆底肌肉的机械行为
医学界一直致力于深入了解影响全球数百万女性的分娩创伤。母体病变的诊断可能具有挑战性，检查费用也很高。为了更好地理解盆底肌肉 (PFM) 损伤的机制，生物力学模拟可能是一种有价值的工具。然而，利用有限元法 (FEM) 进行模拟可能是一个耗时的过程。为了解决这个问题，本研究旨在通过在 FEM 模拟数据上训练 ML 算法来开发一个机器学习 (ML) 框架，以预测分娩期间 PFM 的压力。为了生成用于 ML 算法训练的数据集，使用不同的材料特性进行分娩模拟以表征 PFM。采用了四种 ML 算法，即随机森林 (RF)、极端梯度提升 (XGBT)、支持向量回归 (SVR) 和人工神经网络 (ANN)，考虑两种情况：(1) 肌肉最大拉伸水平的应力预测，以及 (2) 胎儿下降的多个水平。结果表明，ANN 在前者中表现最佳，平均绝对误差 (MAE) 为 0.191 MPa。在后者中，XGBT 对胎儿下降 20 和 35 毫米的误差较低，MAE 值分别为 0.002 和 0.028 MPa。然而，ANN 对 50 和 65 毫米的预测效果更好，MAE 值分别为 0.214 和 0.187 MPa。本研究首次尝试将基于 FEM 的 ML 算法与分娩模拟结合使用，以在常规临床程序中获得近乎实时的预测。
使用深度学习
经颅磁刺激（TMS）是一种非侵入性神经刺激技术，越来越多地用于治疗神经精神疾病和神经科学研究。由于大脑的复杂结构和受试者之间的电导率变化，对TMS的受试者特异性大脑区域的鉴定对于提高治疗功效和了解治疗反应的机制很重要。数值计算已用于估计脑组织中TMS刺激的电场（E-FIELD）。，但是相对长的计算时间限制了这种方法的应用。在本文中，我们提出了一种基于深神经网络的方法，通过使用名为3D-msre-Sunet和多模式成像数据的神经网络体系结构来加快全脑电子场地的估计。3D-MSResunet网络集成了3D U-NET体系结构，残差模块和结合多尺度特征图的机制。它是使用具有有限元方法（FEM）的E-Field和扩散磁共振成像（MRI）基于各向异性量电导率或解剖图像的大型数据集（FEM）训练的。使用几个评估指标以及成像方式和线圈的不同组合评估3D-MSResunet的性能。实验结果表明，3D-MSResunet的输出电子田提供了可靠的估计由最先进的FEM方法估计的电子场的估计，预测时间大幅下降至约0.24秒。因此，这项研究表明，神经网络是加速对TMS靶向的E-Field预测的潜在有用的工具。