XiaoMi-AI文件搜索系统
World File Search Systemreservoir
在材料实施策略中，物理储层计算的纳米纳米网络
抽象物理储层计算（RC）代表一个计算框架，可利用可编程物质的信息处理能力，从而实现具有快速学习和低训练成本的能源有效神经形态硬件。尽管自组织的回忆网络已被证明是物理储层，能够从时空输入信号中提取相关特征，但多发纳米网络为计算实施的新型策略开辟了可能性。在这项工作中，我们报告了Materia RC的实施策略，并具有自组装的回忆网络。除了显示自组织纳米线网络的时空信息处理能力外，我们还通过模拟显示，新兴的集体动力学允许RC非常规实现，其中相同的电极可以用作储层输入和输出。通过在数字识别任务上比较不同的实施策略，模拟表明，非常规实现允许降低硬件复杂性，而无需限制计算能力，从而为在Materia计算中充分利用的新见解提供了对神经形态系统合理定义的全面优势。
在材料实施策略中，物理储层计算的纳米纳米网络
抽象物理储层计算（RC）代表一个计算框架，可利用可编程物质的信息处理能力，从而实现具有快速学习和低训练成本的能源有效神经形态硬件。尽管自组织的回忆网络已被证明是物理储层，能够从时空输入信号中提取相关特征，但多发纳米网络为计算实施的新型策略开辟了可能性。在这项工作中，我们报告了Materia RC的实施策略，并具有自组装的回忆网络。除了显示自组织纳米线网络的时空信息处理能力外，我们还通过模拟显示，新兴的集体动力学允许RC非常规实现，其中相同的电极可以用作储层输入和输出。通过在数字识别任务上比较不同的实施策略，模拟表明，非常规实现允许降低硬件复杂性，而无需限制计算能力，从而为在Materia计算中充分利用的新见解提供了对神经形态系统合理定义的全面优势。
药物滥用和艾滋病毒感染的交叉点：神经毒性和中枢神经系统储存器
1 托马斯杰斐逊大学转化医学中心，1020 Locust Street，费城，宾夕法尼亚州 19107，美国；sontis@chop.edu（SS）；LakhikumarSharma.Adhikarimayum@jefferson.edu（ALS） 2 生物技术系，Banasthali Vidyapith，Vanasthali，斋浦尔 304022，拉贾斯坦邦，印度；lsmst21030_kratika@banasthali.in 3 细胞培养实验室，ICAR-冷水渔业研究局，Bhimtal，奈尼塔尔 263136，北阿坎德邦，印度；amit.pande@icar.gov.in 4 托马斯杰斐逊大学神经外科系 Farber 医院服务中心，费城，宾夕法尼亚州 19107，美国；Rene.Daniel@jefferson.edu * 通信地址：mudit.tyagi@jefferson.edu；电话：+1-215-503-5157 或 +1-703-909-9420 † 当前地址：费城儿童医院人类遗传学部，3401 Civic Center Blvd，费城，宾夕法尼亚州 19104，美国。
西北区、奥马哈区主干和支流水库公报
泰伯水坝 2993.0 3012.5 918,394 1,323,068 2979.79 -0.03 706,524 128 406 76.9 0 0.0 克拉克峡谷水坝 5546.1 5560.4 174,300 251,435 5535.46 0.06 123,986 179 50 71.1 0 0.0 峡谷渡口水坝 3797.0 3800.0 1,886,950 1,993,036 3784.33 -0.03 1,474,864 3,162 3,162 78.2 0 0.0 博伊森水坝 4725.0 4732.2 741,594 892,226 4713.02 -0.05 535,851 552 701 72.3 0 0.0 布法罗比尔水坝* 5393.5 -- 646,565 -- 5355.95 -0.05 373,965 7 198 57.8 -- -- 黄尾鱼水坝 3640.0 3657.0 1,011,052 1,263,682 3627.68 -0.13 875,586 1,492 2,105 86.6 0 0.0 詹姆斯敦水坝 1431.0 1454.0 30,488 220,990 1429.18 0.01 26,523 23 13 87.0 0 0.0 Heart Butte 大坝 2064.5 2094.5 67,142 214,169 2060.47 -0.03 54,550 -47 10 81.2 0 0.0 Keyhole 大坝 4099.3 4111.5 188,671 329,134 4089.48 -0.01 112,468 0 0 59.6 0 0.0 Pactola 大坝 4580.2 4621.5 55,975 99,038 4569.28 -0.05 47,186 9 32 84.3 0 0.0 Shadehill 大坝2272.0 2302.0 120,172 350,176 2262.69 0.00 79,335 19 19 66.0 0 0.0 Glendo 大坝 4635.0 4653.0 492,022 763,039 MMMMMMMM 军团支流项目
青尼罗河上游土壤侵蚀对下游水库淤积的影响
因此，峰值强度的测量确实提供了有关每个样品中相应矿物相的相对量的信息。沉积物指纹将沉积物的矿物学或地球化学性质与其来源材料联系起来。如果可以通过其地球化学性质区分来源材料，则可以通过比较沉积物和来源材料的性质来确定沉积物的可能来源（Walling 等人，2003 年）。需要区分几个潜在的沉积物来源区域意味着单一的指纹属性通常不太可能提供可靠的来源指纹。因此，最近的大多数源指纹研究都使用了复合指纹，包括一系列不同的诊断属性和混合模型来量化来自不同来源的沉积物的相对贡献（Collins 和 Walling，2002 年；Collins 等人，2010 年）。聚类分析是一种强大的工具，可用于对数据进行分类和排序，以建立此类数据之间的关系（Sneath 和 Sokal，1973 年；Yang 和 Simaes，2000 年）。聚类分析也称为分割分析或分类分析（Aldenderfer 和 Blashfield，1984 年；Everitt 等人，2001 年）。该方法创建具有“相似性”的对象分组，这些相似性可以用任何可测量的参数来量化。许多不同的研究领域，如工程学、动物学、医学、语言学、人类学、心理学、市场营销，甚至地质学，都为聚类技术的发展及其应用做出了贡献（Cortés 等人，2007 年；de Meijer 等人，2001 年；Mamuse 等人，2009 年）。可以执行两种聚类分析方法：（1）层次聚类（Johnson，1967；Kaufman 和 Rousseeuw，2009），其中使用迭代算法将数据分组到聚类中（2）K 均值聚类（Army，1993；Kanungo 等，2002；Wagstaff 等，2001），其中聚类的数量是预先定义的，并且所有数据点根据某些特定特征或指标分布到聚类中。在本研究中，层次聚类用于创建聚类树，也称为树状图，从而允许决定最适合应用的聚类级别或规模。有多种执行层次聚类的方法，例如：1. 单链接方法，基于使用一个聚类内的一个个体与相邻聚类中一个个体之间的最小距离构建的层次结构。该方法有助于识别不规则的簇形状，但由于统计测试表现不佳以及层次树的图形表示难以解释而无法获得有关完整簇大小和形状的直接定量信息，因此受到限制。
Muswellbrook泵送水力储存上层储层岩土研究
本报告是机密的，仅用于解决所有相关规划政策和控制以及适用于Muswellbrook泵送水力储能上层水库地理技术调查的环境问题的目的。根据SMEC Australia Pty Limited（“ SMEC”）和AGL Energy Pty Ltd（“ AGL”）之间的咨询协议提供了本报告，根据该协议，SMEC对此进行了针对AGL的特定和有限的任务。该报告严格限于其中所述的事项，并受到其中的各种假设，资格和限制的约束，并且不适用于其他事项。SMEC不表示本报告中规定的范围，假设，资格和排除条件适合其他目的，也足以满足该报告的内容涵盖您可能将其视为目的的所有事项。
利用生物相容性有机电化学网络进行储层计算，实现脑启发式生物信号分类
及早发现患者生物信号中的恶性模式可以挽救数百万人的生命。尽管基于人工智能的技术在稳步改进，但这些方法的实际临床应用大多局限于对患者数据的离线评估。先前的研究已将有机电化学器件确定为生物信号监测的理想候选。然而，它们在实时模式识别中的应用从未得到证实。在这里，我们制作并表征了由有机电化学晶体管组成的受大脑启发的网络，并使用储层计算方法将它们用于时间序列预测和分类任务。为了展示它们在生物流体监测和生物信号分析中的潜在用途，我们对四类心律失常心跳进行了分类，准确率为 88%。这项研究的结果为生物相容性计算平台引入了一种以前未探索过的范例，并可能有助于开发能够与体液和生物组织相互作用的超低功耗硬件人工神经网络。
基于分布的应变感测的储层监测碳固换储层
该项目是由美国能源部国家能源技术实验室资助的部分，部分是通过现场支持合同资助的。美国政府，其任何机构，其任何雇员，支持承包商，或其任何雇员既不对任何信息，设备，产品或程序所披露的任何法律责任或责任，或承担任何法律责任或责任，或者承担任何法律责任或责任，或者表示其使用均不将使用其使用，或者代表其使用不会侵权私人权利。在此引用以商业名称，商标，制造商或其他方式参考任何特定的商业产品，流程或服务。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
从Gene Wash水库中吃鱼的信息（San ...
oehha由于在这种水体捕获的鱼中发现的汞和硒而开发了吉恩洗库的咨询。Gene Wash Reservoir位于圣贝纳迪诺县的加利福尼亚 - 阿里佐纳边境附近。此咨询是Oehha持续努力的一部分，为来自不同加利福尼亚水体的鱼提供安全的建议。
Digital Commons 引用 Digital Commons 引用 Mohaghegh，Shahab D.，“地下分析：人工智能和机器学习对油藏工程、油藏建模和油藏管理的贡献”(2020)。教职员工奖学金。3089。https://researchrepository.wvu.edu/faculty_publications/3089
几十年来，传统的数值油藏模拟一直为石油和天然气行业做出贡献。该技术的现状是数十年来大量工程师和科学家研究和开发的结果。从 20 世纪 60 年代末和 70 年代初开始，计算机硬件的进步以及巧妙算法的开发和应用导致油藏研究发生了范式转变，从简化的模拟和解析解方法转向数学上更稳健的计算和数值解模型。新的计算范式克服了解析解方法的数学局限性。与简单的模拟模型（如 CRM（电容-电阻建模，1943 年由 W. A. Bruce 引入石油工业）[1] ）相比，它引入了更现实的解决方案。控制多孔介质中流体流动的复杂二阶非线性偏微分方程的数值求解速度在几年前是不可想象的 [2]。如今，这项技术对油藏建模的能力几乎无可争议。现在，它已成为石油和天然气行业工程师和科学家广泛接受的技术。传统数值油藏模拟技术的基础是我们目前对储存和运输现象的物理理解，以及我们的数学建模能力。与被建模油藏的物理和地质相关的复杂性决定了建模过程中所需的妥协程度。将传统数值油藏模拟应用于页岩等非常规资源是一个很好的例子，说明在建模过程中需要做出多少妥协。数值油藏模拟在非常规应用中的折衷方案