XiaoMi-AI文件搜索系统
World File Search Systemprediction
基于机器学习的直接金属沉积中复杂刀具路径的轨道高度预测
模具行业不断要求先进的技术来提高模具在其生命周期内的性能。直接金属沉积 (DMD) 为模具翻新提供了关键机会。然而，通过 DMD 的典型刀具路径由交替的平滑段和尖角组成。在这里，能量密度和粉末数量的波动通常会导致工具恢复部分出现严重的几何偏差。这项工作提出了一种基于机器学习的新型预测方法，该方法使用与工艺参数和执行的几何形状相关的特征来表征路径。该方法的优势已在刀具路径上得到验证，刀具路径通常表征工具翻新过程。© 2022 作者。由 Elsevier Ltd 代表 CIRP 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）
使用Python中数据科学的糖尿病预测
i naveenrangasamy b then削弱了我在我在我的指导下，题为“使用python中使用数据科学的糖尿病预测”。在Sathyabama科学技术学院，一部分履行了
利用人工神经网络预测定向金属沉积中的高度
定向金属沉积 (DMD) 是一种很有前途的金属增材制造技术，其中零件是通过使用沿预定义轨迹移动的激光束融合注入的金属粉末颗粒来制造的。刀具路径通常包括曲线或边缘部分，机器轴需要相应地减速和加速。因此，局部施加的激光能量和粉末密度在沉积过程中会发生变化，导致局部过度沉积和过热。这些偏差还受到刀具路径几何形状和工艺持续时间的影响：先前的沉积可能会在时间和空间上影响相近的刀具路径段，导致局部热量积聚，并形成与使用相同参数沉积的其他段中产生的轮廓和微观结构不同的轮廓和微观结构，这是由于几何形状和温度相关的集水轮廓所致。为了防止这些现象，需要轻量级和可扩展的模型来预测可变刀具路径的工艺行为。在本文中，我们提出了一种基于人工智能的方法来处理 Inconel 718 的工艺复杂性和多种刀具路径变化。考虑到先前定义的刀具路径，使用人工神经网络 (ANN) 来预测沉积高度。通过打印包含多个曲率和几何形状的随机刀具路径，生成了训练数据。基于训练后的模型，可以成功预测整个刀具路径的显著局部几何偏差，并且可以通过相应地调整工艺参数来预测。
利用深度学习预测老化电池放电
电化学电池是我们社会中无处不在的设备。当用于关键任务应用时，在高度变化的操作条件下准确预测其放电终止的能力至关重要，以支持运营决策并充分利用整个电池的使用寿命。虽然有充电和放电阶段潜在过程的准确预测模型，但老化建模仍然是一个悬而未决的挑战。这种缺乏理解通常会导致模型不准确，或者每当电池老化或其条件发生重大变化时，就需要耗时的校准程序。这对在现实世界中部署高效、强大的电池管理系统构成了重大障碍。在本文中，我们介绍了 Dynaformer，这是一种新颖的深度学习架构，它能够同时从有限数量的电压/电流样本推断老化状态，并以高精度预测真实电池的全电压放电曲线。在评估的第一步中，我们调查了所提出的框架在模拟数据上的性能。在第二步中，我们证明了只需进行少量微调，Dynaformer 就能弥补模拟与从一组电池收集的实际数据之间的差距。所提出的方法能够以可控且可预测的方式利用电池供电系统直至放电结束，从而显著延长运行周期并降低成本。
在计算机分子对接研究和Adme -Tox预测中...
本研究研究了基于自由结合能（δg）的潜在活性预测以及对ARTOCARPUS冠军（Lour。）的植物复合的相互作用确认。使用二肽基肽酶IV（DPP -IV）的大分子蛋白受体在硅分子对接研究中，以及物理化学和药代动力学特性（ADME -TOX）预测方法。使用Autodock v4.2.6（100个对接运行）将DPP -IV受体大分子蛋白蛋白数据库（ID：1×70）的活性子站点停靠。一个52×28×26Å点的网格盒子由0.37Å的距离为X =40.926Å的活动位置； y =50.522Å; Z =35.031Å。用于ADME -TOX预测，使用了基于瑞士的在线申请计划。结果表明，基于δg值和相互作用构象，来自A.冠军的12个Pythocompound具有DPP -IV抑制剂的潜力。比天然配体有五个具有较低δg值和抑制常数的Pythocompounds，七个具有δg值和抑制常数接近天然配体的Pythocompounds。12种化合物在DPP -IV受体的活性子矿石上形成了一种相互作用构象。同时，Adme -Tox预测分析的结果表明，这12种化合物具有不同的物理化学和药代动力学特性。
使用基于CT的深度学习的新辅助化学疗法对新辅助化学免疫疗法的病理完全反应的非侵入性预测：多中心
新辅助化学免疫性疗法已彻底改变了非小细胞肺癌（NSCLC）的治疗策略，并确定可能对这种先进治疗的候选者具有重要的临床意义。目前的多机构研究旨在开发一种深度学习模型，以预测基于计算机断层扫描（CT）成像的NSCLC中对新辅助免疫疗法的病理完全反应（PCR），并进一步探讨了拟议的深度学习签名的生物学基础。在2019年1月至2023年9月，总共有248名接受新辅助免疫疗法的参与者在Ruijin医院，Ningbo Hwamei医院接受NSCLC的手术，然后在Ruijin医院进行NSCLC手术和Zunyi医科大学的后医院。在新辅助化学免疫性疗法之前的2周内进行了成像数据。鲁伊因医院的患者被分为培训集（n = 104）和6：4比率的验证集（n = 69），而宁波·霍马伊医院（Ningbo Hwamei Hospital）和祖尼医科大学（Zunyi）医科大学的其他参与者则是外部队列（n = 75）。在整个人群中，在29.4％（n = 73）的病例中获得了PCR。我们对PCR预测深度学习签名曲线下的区域（AUC）为0.775（95％的置信间隔[CI]：0.649-0.901）和0.743（95％CI：0.618-0.869）的验证集和外部队列中的0.5％（95％）（95％）（95％）（95％）（95％）。临床模型的0.689）和0.569（95％CI：0.454-0.683）。此外，较高的深度学习评分与微环境中细胞代谢途径和更多抗肿瘤免疫的上调相关。我们开发的深度学习模型能够预测NSCLC患者的新辅助化学免疫性疗法。
计算机视觉预测收获的影响...
摘要 - 全球计算机视觉的加速发展对水果收获的估计产生了重大影响，从而提高了效率并大大减少了食物浪费。此外，这项技术在农业部门面临着显着的抵抗力和缺乏知识。本综述的目的是分析人工视力方法在预测高茎果的收获时。因此，应用了非实验性描述性设计，属于无荟萃分析的系统综述。基于定义的标准（包含和排除），从电子数据库Scopus，Scielo和Redalyc中选择了26篇开放访问文章，这些文章涉及使用VA来预测高茎水果的收获。的发现表明，大多数研究使用近红外（NIR）光谱和RGB图像处理来估计收获，分别达到95％（柑橘类水果）和75％（苹果）的平均准确性。此外，使用RGB和YOLOV3图像传感器的无人机的使用使得获得大于90％的精确度成为可能，从而实现了收获前4到6个月之间的预测。得出结论是，使用最常用的VA方法是RGB图像传感器，光谱法（NIR），无人驾驶飞机（UAV）和Yolov3，它们在预测高茎果实的成熟方面的准确性大于75％。该方法的选择将主要取决于您是要分析果实的内部还是外部部分，因此，重要的是要识别高茎果实在其生长阶段的色素沉着的变化。
使用人工神经网络预测 DED 制造过程中的热场
AAbstr bstract act.. 在过去十年中，机器学习越来越吸引多个科学领域的研究人员，特别是在增材制造领域。同时，这项技术对许多研究人员来说仍然是一种黑箱技术。事实上，它允许获得新的见解，以克服传统方法（例如有限元方法）的局限性，并考虑制造过程中发生的多物理复杂现象。这项工作提出了一项全面的研究，用于实施机器学习技术（人工神经网络），以预测 316L 不锈钢和碳化钨直接能量沉积过程中的热场演变。该框架由有限元热模型和神经网络组成。还研究了隐藏层数和每层节点数的影响。结果表明，基于 3 或 4 个隐藏层和整流线性单元作为激活函数的架构可以获得高保真度预测，准确率超过 99%。还强调了所选架构对模型准确性和 CPU 使用率的影响。所提出的框架可用于预测模拟多层沉积时的热场。
飞机滑行时间预测：特征重要性及其...
滑行仍然是许多机场的主要瓶颈。最近，已经提出了几种为滑行飞机分配有效路线的方法。这些方法所依赖的路线算法依赖于对穿越每一段滑行道所需时间的准确预测。许多特征都会影响滑行时间，包括所走的路线、飞机类别、机场的运营模式、交通拥堵信息和当地天气状况。使用几个国际机场的真实数据，我们比较了多个预测模型并调查了这些特征的影响，得出了准确建模滑行时间的最重要特征的结论。我们表明，使用一小部分特征可以实现高精度，这些特征包括所有机场普遍重要的特征（出发/到达、距离、总转弯、平均速度和最近的飞机数量）以及特定目标机场的少数特征。从所有特征转移到这个小子集会导致在 1、3 和 5 分钟内正确预测的动作下降不到 1 个百分点。
使用各种损失模型的电池损失预测
这项工作比较并量化了带有太阳能光伏（PV）的住宅建筑物的案例研究中三个电池系统损耗表示的年损失。两个损失表示形式考虑了不同的操作条件，并使用电池电力电子转换器（PEC）的测量性能，但使用恒定或依赖电流的内部电池电池电阻的不同。第三表示是无关紧要的，并使用（固定的）往返效率。工作使用负载和PV轮廓的次数测量，包括不同的PV和电池尺寸组合的结果。与具有当前依赖性内部电阻的情况相比，结果表明使用恒定电池内部电阻不足，并将年度损失差异量化为-38.6％。结果还表明了通过固定的往返效率对电池系统的效率进行建模的缺陷，其损失差异在-5％至17％之间，具体取决于情况。此外，突出显示了计算细胞损失的必要性，并且量化了其对转换器加载的依赖性。