XiaoMi-AI文件搜索系统
World File Search Systemmdpi
航空航天 | MDPI
飞机设计本质上是一项多学科工作，在此过程中，多个工程师团队之间必须交换数据和信息，每个团队都拥有特定领域的专业知识。管理协作组之间的数据传输、可能的翻译和存储非常复杂且容易出错。采用标准化、以数据为中心的方案存储所有数据可提高一致性并降低误解和冲突的风险。为了有效实现这一点，必须首先努力在分析模块和数据档案之间开发合适的接口。此外，设计过程的每个阶段对设计和分析工具的保真度和分辨率都有不同的要求。对于稳定性和控制分析以及飞行模拟，需要生成气动力、力矩和导数的查找表。不同的飞行分析工具需要不同的表格/输入格式。例如，代尔夫特理工大学开发的飞行分析器和模拟器 PHALANX [ 1 – 4 ] 需要一组三维力和力矩系数表，每个控制通道单独作用。多保真度气动建模旨在以最佳的计算资源分布覆盖整个飞行包线的飞行状态参数空间。这又需要一个标准化的、以数据为中心的方案来托管数据，这些数据可用于可变的保真度。标签 Li （其中 i = 0、1、2、3）用于对计算模型及其软件实现的保真度级别进行分类：
航空航天 | MDPI
飞机设计本质上是一项多学科工作，在此过程中，多个工程师团队之间必须交换数据和信息，每个团队都具有特定领域的专业知识。管理协作组之间的数据传输、可能的翻译和存储非常复杂且容易出错。采用标准化、以数据为中心的方案来存储所有数据可提高一致性并降低误解和冲突的风险。为了有效地实现这一点，必须首先努力在分析模块和数据档案之间开发合适的接口。此外，设计过程的每个阶段对设计和分析工具的保真度和分辨率都有不同的要求。对于稳定性和控制分析以及飞行模拟，需要生成用于空气动力、力矩和导数的查找表。不同的飞行分析工具需要不同的表格/输入格式。例如，代尔夫特理工大学开发的飞行分析器和模拟器 PHALANX [ 1 – 4 ] 需要一组三维力和力矩系数表，每个控制通道单独作用。多保真气动建模旨在以最佳的计算资源分配覆盖整个飞行包线的飞行状态参数空间。这又需要一个标准化的、以数据为中心的方案来托管数据，可用于各种
能量 - MDPI
摘要：在本文中，我们解决了资产绩效监控问题，目的是检测任何潜在的可靠性问题并预测任何能源消耗效率损失。这对于许多在长期资产中投入大量资本的行业和公用事业来说是一个重要的问题。为了解决这个问题，我们在本文中提出了一种将人工神经网络 (ANN) 与数据挖掘 (DM) 工具相结合的方法，特别是与关联规则 (AR) 挖掘相结合。现在可以使用可以处理大量数据（大数据）的软件来结合这两种技术，但该过程仍需要确保在资产的生命周期内提供所需的数据量，并且其质量是可接受的。提议的序列中这两种技术的组合与文献中发现的先前研究不同，为研究人员提供了应对问题的新选择。所提方法的实际实施可能会产生新的预测性维护模型（新兴的预测分析），该模型可以以前所未有的精度检测任何资产的性能缺陷，并帮助相应地管理资产的运营和维护。该方法使用特定示例进行说明，其中资产性能监控在正常运行条件下相当复杂。
MDPI 图书传单
纺织科学和技术的发展不仅限于服装和时尚。当然，也有一些研究旨在改善服装用纺织品的构造和加工，例如关于减少环境影响的清洁生产、增加可再生资源纤维和工艺化学品的利用率以及回收消费后废弃服装材料以制造新服装的研究。此外，几个世纪以来为服装制作而开发的技术概念现在正在被研究用于各种领域，例如工程复合材料、个人防护设备和医药的制造。此外，其他领域的发展，如电子、纳米技术、信息和通信技术，正在被研究以将其融入服装和服装中以创造“智能纺织品”。本期特刊的目的是汇集有关此类努力的科学报告，以突出所针对的一系列科学和技术问题以及用于寻找答案的方法的独创性。希望本期的读者能够欣赏该领域正在进行的研究，并为他们自己的科学努力获得启发。
遥感 - MDPI
摘要：无人机（UAV-LS）的激光扫描数据为仅基于 UAV-LS 数据估算森林生长蓄积量（V）提供了新的机会。我们提出了一种测量树木属性的方法，并使用这些测量值估算 V，而无需使用现场数据进行校准。该方法包括五个步骤：i）使用 UAV-LS 数据，自动识别树冠并逐墙分割。ii) 从所有检测到的树冠中，取一个样本，其中胸高直径（DBH）可以通过 UAV-LS 数据中的视觉评估可靠地记录。iii) 另一个树冠样本是从 UAV 图像数据中可识别树种的树冠中取的。iv) 使用样本拟合 DBH 和树种模型，并应用于所有检测到的树冠。v) 使用现有的异速生长模型，利用预测的树种、DBH 和 UAV-LS 直接获得的高度来预测单株树的体积。该方法应用于 Riegl-VUX 数据集，该数据集的平均密度为 1130 个点 m − 2 和 3 厘米正射影像，该数据集是在 8.8 公顷的管理北方森林中获取的。汇总已识别树木的体积以估计地块、林分和森林级别的体积，并使用 58 个独立测量的田间地块进行验证。当将空间尺度从地块 (32.2%) 增加到林分 (27.1%) 和森林级别 (3.5%) 时，均方根偏差 ( RMSD %) 会降低。UAV-LS 估计的准确度因森林结构而异，在疏松林中准确度最高，在茂密的桦树或云杉林中准确度最低。在森林层面，基于 UAV-LS 数据的估计值完全在密集实地调查估计值的 95% 置信区间内，并且两个估计值具有相似的精度。虽然结果令人鼓舞，可以进一步在完全机载森林清查的背景下使用 UAV-LS，但未来的研究应该在各种森林类型和条件下证实我们的发现。
