XiaoMi-AI文件搜索系统
World File Search Systempublished
已发布版本 (APA) 的引文：Beck, S., Poetz, M., & Sauermann, H. (2022)。人工智能 (AI) 将如何影响开放和协作
作者简介 Susanne Beck 是维也纳 LBG 科学开放创新中心和哥本哈根商学院战略与创新系的高级研究员。她的主要研究兴趣是科学知识生产和基于科学的创新的组织。在她目前的项目中，Susanne 调查了在科学研究过程中应用开放和协作实践的个人和组织层面的前因、后果和偶然性。她的出版物和工作论文获得了管理学院、欧洲管理学院和研发管理会议的多个奖项。她还是工业和创新科学开放创新特刊的首席客座编辑、年度科学研究开放创新会议的联合组织者，以及涉及 35 位作者等的多个合作写作工作的首席协调员。
引用原始发表的论文（记录的版本）：Goop，J。，Nyholm，E.，Odenberger，M。等（2021）。电力市场的影响
私人家庭投资（PVS）和电池的投资的利益取决于电力的市场价格，这反过来又受PVS和PVS和电池的使用的影响。这在集中发电系统与对PVS和电池的家庭投资之间创造了反馈机制。为了调查这种反馈效果，我们将用于家庭投资的本地优化模型与欧洲发电销售模型联系起来。本地优化基于对214个瑞典家庭测量的消费量。模型比较了2032年的集中电力供应系统的三种不同方案，以及几种敏感性情况。我们的结果表明，在调查案件中，瑞典家庭中瑞典家庭中电池存储容量的5 E 20 gW P的总投资水平为5 E。这些级别比算上市场反馈之前的水平低33％。光伏投资的利益受到的影响受到电力价格以及有关电网关税和税收的假设的最大影响。电池投资的价值取决于PV电力和市场套利的自我消费增加的好处。©2020作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
已发表版本的引文（APA）：Popenici, S., Catalano, H., Mestic, G., & Ani-Rus, A. (2023)。人工智能系统评价
本研究基于定量和定性分析方法构建的方法论框架，遵循 Pickering 和 Byrne (2014) 提出的步骤，进行系统的文献综述和文献收集设计，重点分析人工智能 (AI) 时代高等教育的想象未来。我们的研究旨在回答以下研究问题：（1）人工智能时代高等教育的想象未来是什么？（2）哪些因素影响高等教育教学过程与人工智能之间的联系？（3）学生和教师改进数据库和开发 ChatGPT 会产生什么影响？作者探讨了人工智能在西方世界当前大学治理安排和精神背景下的影响。深入分析与人工智能系统的出现相关的一些已确定的主要挑战、机遇和风险相一致，例如技术监控或学术界对人工智能和大型语言模型（如 ChatGPT）的普遍访问，并提出了在高等教育中明智地选择和使用人工智能解决方案进行学习和教学的论据。本研究采用的分析框架还用于总结该领域研究的新方向，以恢复大学的主导地位，提高学生、学者和公众的高等教育质量。
原始发表论文的引用（记录版本）：Lu, H., Xiao, L., Liao, W. et al (2024). Cell factory design with advanced metastatic mo
合成生物学和人工智能 (AI) 的进步为现代生物技术提供了新的机遇。高性能细胞工厂是工业生物技术的支柱，最终决定了生物基产品在与石油基产品的激烈竞争中是成功还是失败。迄今为止，合成生物学面临的最大挑战之一是以一致和高效的方式创建高性能细胞工厂。作为所谓的白盒模型，已经开发了许多代谢网络模型并将其用于计算菌株设计。此外，近年来，人工智能驱动的菌株工程取得了巨大进展。这两种方法都有优点和缺点。因此，人工智能与代谢模型的深度整合对于构建具有更高滴度、产量和生产率的优质细胞工厂至关重要。本综述总结了最新的先进代谢模型和人工智能在计算菌株设计中的详细应用。此外，还讨论了人工智能和代谢模型深度整合的方法。预计由人工智能驱动的先进机械代谢模型将为未来几年高效构建强大的工业底盘菌株铺平道路。
引用了原始发表的论文（记录的版本）：Mirzaei Alavijeh，N.，Khezri，R.，Mazidi，M。M.等（2025）。利润基准测试和DEGR
本文介绍了一种新型的混合企业线性编程（MILP）模型，用于在瑞典的Day-Ahead（DA）电力和频率封装储备（FCR）市场中堆叠电池储能系统（BESS）。该模型包括一个详细的日历和周期电池降低和市场技术需求建模，旨在最大程度地利用电池所有者从参与DA和三个FCR市场，正常运营（FCR-N）以及FCR（FCR-D）的潜在利润，以及进行上下调查的障碍（FCR-D）。为提出全面的结果，使用一分钟分辨率的真实数据对2022年进行连续的每日优化。模拟了五种利用模式，包括参与无FCR市场（仅DA），只有DA和FCR-N，只有DA和FCR-D上调，只有DA和FCR-D下调，以及DA和所有FCR市场。对于DA和多FCR市场的收入堆叠中的最大潜在利润可能为1MW-1MWH BESS的K€708，这是没有FCR参与情况的22倍。由多FCR市场参与导致的年度退化占电池容量损失的1.7％。考虑优化问题中的退化会使衰老减少29％，而不会对利润产生重大影响。所提出的模型可以作为评估电池操作策略和算法的盈利能力和可持续性的基准。
引用了原始发表的论文（记录的版本）：Kazlou，T.，Cherp，A.，Jewell，J。（2024）。可行的碳捕获和Sto
气候变化需要大规模部署碳捕获和存储（CCS）。最近的计划表明，到2030年，CCS的容量增加了八倍，但CCS扩展的可行性却是有争议的。使用CCS和其他政策驱动技术的历史增长，我们表明，如果计划在2023年至2025年之间两倍，并且其故障率降低了一半，则CCS到2030年可能会达到0.37 GTCO 2年-1，比大多数1.5°C较低，但比大多数2°C途径更高。保持轨道至2°C将要求在2030-2040 ccs加速至少与2000年代的风力发电一样快，并且在2040年之后，它的增长速度比1970年代至1980年代的核能快。只有10％的缓解途径符合这些可行性限制，几乎所有这些途径描绘了<600 GTCO 2 2100捕获和存储。通过假设CCS计划的失败和生长的速度不如烟气脱硫的速度大约是这一数量的两倍，从而放松约束。
引用了原始发表的论文（记录的版本）：Heinisch，V.，Göransson，L。，Odenberger，M。等（2021）。有限的电气
我们研究了城市与区域能源系统之间电力转移的连接能力对这两个系统的设计和运行的影响。城市能源系统由瑞典南部三个城市的总能源需求代表，区域能源系统由瑞典电力价格面积SE3代表。我们考虑到城市与地区能源系统之间的不同水平的连接能力，将电力和地区供暖部门的投资和运行成本降至最低；连接容量等于最大城市电力需求的100％，75％，50％和0％。我们发现，与100％连接能力的系统相比，具有50％连接能力的系统设计仅高3％。然而，将电力的产能从区域转移到城市能源系统（50％），而100％的连接容量会导致城市的电力边际成本高于该地区。具有最高的连接能力，75％和100％，该市的地区供暖部门可以通过电力热运营来支持区域能源系统中的风力电力整合。具有不同连接能力的建模系统使我们的结果适用于其他快速增长的城市，具有增加当地电力生产和电力，区域供暖和电动运输部门之间的部门耦合。©2021作者。由Elsevier Ltd.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
原始发表论文的引用（记录版本）：Moro, G., Khaliha, S., Pintus, A. et al (2024). 氨基酸改性氧化石墨烯用于
本文提出将氨基酸改性氧化石墨烯衍生物 (GO-AA) 作为活性材料，用于捕获水介质中的有机污染物并进行电化学检测。草甘膦 (GLY) 是一种存在于许多水体中的除草剂，被选为基准物质，以测试这些材料的电活性有效性，从而为捕获事件提供直接证据。通过环氧环开环反应将 L -赖氨酸、L -精氨酸或 L -蛋氨酸接枝到 GO 表面，促进氨基酸结合并伴随 GO 的部分还原。合成过程导致电荷电阻从 GO 的 8.1 K Ω 降至各种 GO-AA 的 0.8 – 2.1 K Ω，从而支持这些材料在电化学传感中的适用性。所得 GO-赖氨酸、GO-精氨酸和 GO-蛋氨酸用于从水中吸附 GLY。 GO-Lysine 与 GLY 的相互作用最强，1 小时后的去除效率为 76%，大约是工业基准吸附剂颗粒活性炭的两倍。当用作活性材料捕获 GLY 并进行电化学检测时，GO-AA 的性能也优于原始未改性材料。GO-Lysine 表现出最佳灵敏度，即使浓度低至 2 μ g/L 也能识别水中的 GLY。分子动力学模拟证实，这种材料增强的性能可归因于赖氨酸部分和 GLY 之间的氢键和盐桥相互作用，而氢键和盐桥相互作用源于氢键和盐桥相互作用。
引用了原始发表的论文（记录的版本）：约瑟夫·D·，戈尔格，T.，Turanoglu Bekar，E。等（2022）。预测维护应用
摘要：维护设备对于增加生产能力和减少生产时间至关重要。随着数字化的出现，行业能够访问大量数据，这些数据可通过实施预测性维护来确保其长期的生存能力和竞争优势。因此，本研究旨在使用来自汽车行业公司的公司的大数据来证明对机器人单元的预测维护应用。开发了一个超参数长期记忆（LSTM）模型，结果表明该模型能够以良好的精度预测失败的一天。分析了进行实际工业计划所固有的困难，并提出了改进建议。
![文章标题：抗击 COVID-19：人工智能技术与挑战 作者：Nikhil Patel[1]、Sandeep Trivedi[2]、Jyotir Moy Chatterjee[3] 所属机构：毕业于杜比克大学，联系电子邮件 ID：Patelnikhilr88@gmail.com[1]，IEEE 会员，毕业于 Technocrats Institute of Technology，联系电子邮件 ID：sandeep.trived.ieee@gmail.com[2]，尼泊尔加德满都佛陀教育基金会[3] Orcid id：0000-0001-6221-3843[1]、0000-0002-1709-247X[2]、0000-0003-2527-916X[3] 联系电子邮件：sandeep.trived.ieee@gmail.com 许可信息：本作品已以开放获取形式发表根据 Creative Commons 署名许可 http://creativecommons.org/licenses/by/4.0/，允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用原始作品。条件、使用条款和出版政策可在 https://www.scienceopen.com/ 找到。预印本声明：本文为预印本，尚未经过同行评审，正在考虑并提交给 ScienceOpen Preprints 进行公开同行评审。DOI：10.14293/S2199-1006.1.SOR-.PPVK63O.v2 预印本首次在线发布：2022 年 7 月 25 日 关键词：COVID-19、SVM、神经网络、NLP、数学建模、高斯模型、疫情防控](/simg/8/8dd469c55249d1165cc0c55c494f5b27bda7b11b.png)
文章标题：抗击 COVID-19：人工智能技术与挑战 作者：Nikhil Patel[1]、Sandeep Trivedi[2]、Jyotir Moy Chatterjee[3] 所属机构：毕业于杜比克大学，联系电子邮件 ID：Patelnikhilr88@gmail.com[1]，IEEE 会员，毕业于 Technocrats Institute of Technology，联系电子邮件 ID：sandeep.trived.ieee@gmail.com[2]，尼泊尔加德满都佛陀教育基金会[3] Orcid id：0000-0001-6221-3843[1]、0000-0002-1709-247X[2]、0000-0003-2527-916X[3] 联系电子邮件：sandeep.trived.ieee@gmail.com 许可信息：本作品已以开放获取形式发表根据 Creative Commons 署名许可 http://creativecommons.org/licenses/by/4.0/，允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用原始作品。条件、使用条款和出版政策可在 https://www.scienceopen.com/ 找到。预印本声明：本文为预印本，尚未经过同行评审，正在考虑并提交给 ScienceOpen Preprints 进行公开同行评审。DOI：10.14293/S2199-1006.1.SOR-.PPVK63O.v2 预印本首次在线发布：2022 年 7 月 25 日 关键词：COVID-19、SVM、神经网络、NLP、数学建模、高斯模型、疫情防控
文章标题：抗击 COVID-19：人工智能技术与挑战 作者：Nikhil Patel[1]、Sandeep Trivedi[2]、Jyotir Moy Chatterjee[3] 所属机构：毕业于杜比克大学，联系电子邮件 ID：Patelnikhilr88@gmail.com[1]，IEEE 会员，毕业于 Technocrats Institute of Technology，联系电子邮件 ID：sandeep.trived.ieee@gmail.com[2]，尼泊尔加德满都佛陀教育基金会[3] Orcid id：0000-0001-6221-3843[1]、0000-0002-1709-247X[2]、0000-0003-2527-916X[3] 联系电子邮件：sandeep.trived.ieee@gmail.com 许可信息：本作品已以开放获取形式发表根据 Creative Commons 署名许可 http://creativecommons.org/licenses/by/4.0/，允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用原始作品。条件、使用条款和出版政策可在 https://www.scienceopen.com/ 找到。预印本声明：本文为预印本，尚未经过同行评审，正在考虑并提交给 ScienceOpen Preprints 进行公开同行评审。DOI：10.14293/S2199-1006.1.SOR-.PPVK63O.v2 预印本首次在线发布：2022 年 7 月 25 日 关键词：COVID-19、SVM、神经网络、NLP、数学建模、高斯模型、疫情防控