XiaoMi-AI文件搜索系统
World File Search Systemresidual
可重用设计：电力电子元件的残值监控
延长电子产品的使用寿命是可持续设计的一个主要问题。电力电子元件是我们日常服务使用中不断增长的一部分，从笔记本电脑充电器（10-100 W）、家用空调（1-10 kW）、太阳能发电厂（1-100 kW）到铁路电动汽车（1-100 MW）。由于设备体积与额定功率成正比，因此它们大大增加了电子垃圾的产生量。修复转换系统对设计师来说是一个挑战，即系统应该如何设计才能在多年内得到维护。此外，通过电子元件（或子系统）再利用引入循环经济意味着评估电力电子产品的剩余价值。本文首先从现有技术的角度介绍了残值评估，以定义电力电子元件应包括的相关参数（例如：平均故障间隔时间 - MTBF - 多因素函数、元件市场价格评级、内部残值关键材料、内含能量等），并提出了一种估算该值的方法。© 2022 作者。由 ELSEVIER B.V. 出版。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（https://creativecommons.org/licenses/by-nc-nd/4.0）由第 32 届 CIRP 设计会议科学委员会负责同行评审
使用
电子邮件：paredes.g@aluno.ifsp.edu.br摘要钻探浪费的适当管理，尤其是页岩振动器的残留固体中的流体含量，仍然是石油和天然气运营中的一项关键挑战。 依靠实验室分析的传统方法引入了重大延迟，从而阻碍了实时过程优化。 本研究提出了一个基于人工神经网络（ANN）的虚拟传感器，以实时预测振动筛选残留固体中的流体含量。 在不同的操作参数下，从工业页岩振动器系统中收集了实验数据，包括运动速度，进料流量和屏幕倾斜度。 使用TensorFlow开发了多层感知器模型，该模型具有输入归一化，辍学正则化和随机梯度下降的优化训练。 ANN体系结构达到的平均绝对误差为0.03，损失为0.002，证明了强大的收敛而不拟合。 通过t检验进行的统计验证证实，预测值和实验值之间没有显着差异（测试数据的p值为0.67，整个数据集为0.85）。 模型在稳定的操作条件下的准确性可以连续监视而无需其他硬件，从而解决了行业对延迟实验室的依赖电子邮件：paredes.g@aluno.ifsp.edu.br摘要钻探浪费的适当管理，尤其是页岩振动器的残留固体中的流体含量，仍然是石油和天然气运营中的一项关键挑战。依靠实验室分析的传统方法引入了重大延迟，从而阻碍了实时过程优化。本研究提出了一个基于人工神经网络（ANN）的虚拟传感器，以实时预测振动筛选残留固体中的流体含量。在不同的操作参数下，从工业页岩振动器系统中收集了实验数据，包括运动速度，进料流量和屏幕倾斜度。使用TensorFlow开发了多层感知器模型，该模型具有输入归一化，辍学正则化和随机梯度下降的优化训练。ANN体系结构达到的平均绝对误差为0.03，损失为0.002，证明了强大的收敛而不拟合。通过t检验进行的统计验证证实，预测值和实验值之间没有显着差异（测试数据的p值为0.67，整个数据集为0.85）。模型在稳定的操作条件下的准确性可以连续监视而无需其他硬件，从而解决了行业对延迟实验室的依赖
残余应力对复合涂层疲劳裂纹扩展速率的影响
通讯作者：Christine M. Smudde 加州大学材料科学与工程系 One Shields Ave. Davis, CA 95616, USA 电话：(714) 356-0477 电子邮箱：cmsmudde@ucdavis.edu
01-00738-EN 锂离子电池正极中残留的NMP和溶剂分析
锂离子电池（LiB）由正极、负极、电解液、隔膜等组成。将活性物质、导电剂、粘结剂等在有机溶剂中混合的浆体涂敷在金属膜（集流体）上，经干燥后形成电极。N-甲基-2-吡咯烷酮（NMP）是溶剂型浆体中使用的有机溶剂，尤其在正极的质量控制中，需要在干燥过程中检测正极中NMP的残留量。本文介绍了一种利用顶空法GC-FID简便分析锂离子电池NCM（镍钴锰三元材料）正极中残留NMP的方法。此外，还给出了利用GC-MS定性分析NCM正极中残留的其他溶剂的结果，以及对采用不同干燥工艺的五种正极中残留溶剂量的比较。
热固性复合材料残余应力预测的工艺建模与表征
聚合物基复合材料 (PMC) 因其优良的性能和较高的强度重量比而广泛应用于风能行业的主要承重部件[1]。然而，制造这种复合材料仍然是一项艰巨的任务。随着固化的进行，成分基质的化学流变和热机械性能会发生变化。化学收缩、放热产热和成分材料性能不匹配等多种多物理现象进一步影响原位基质响应，并导致制造过程中残余应力的积累、变形和损坏[2-9]。这些残余应力对复合材料性能的改变程度尚不完全清楚。基于准确而全面的材料表征的过程建模模拟可以填补这一知识空白。由此产生的过程模型可用于优化复合材料制造，以提高风能应用复合部件的性能。过程建模利用强大的计算分析工具，能够准确预测复合材料在受到各种热机械载荷时的微尺度响应[2-8,10-16]。许多基于航空级复合材料的计算研究报告了现象学和本构关系，以预测基质固化的演变[17]，估计工艺引起的残余应力产生[18-27]，并评估其对加工复合材料性能的影响[3-6、8、10、11、28]。然而，由于缺乏完整的固化和温度相关材料属性数据集，此类研究通常依赖室温数据或采用确定性基质属性进行分析。因此，
根据决议计划的剩余债务的独立信用评估
免责声明护理的评级是关于及时支付额定工具下义务的可能性的意见，而不是建议制裁，续签，续签或召回有关的银行设施或购买，出售或持有任何担保。Care的评级不能为投资者传达适用性或价格。CARE的评级不构成对额定实体的审核。CARE将其评级/前景基于从其被认为是准确和可靠的来源获得的信息。护理不能保证任何信息的准确性，充分性或完整性，也不对任何错误或遗漏或从使用此类信息获得的结果负责。根据银行设施/工具的数量和类型，其银行设施/工具的评级为银行设施/工具的大多数实体都支付了信用评级费。护理或其子公司/员工也可能与实体进行其他商业交易。在合伙/专有问题的情况下，根据合作伙伴/所有人和当前公司的财务实力所部署的资本，CARE分配的评级/外观是Alia。在撤回资本或合作伙伴/所有人提供的无抵押贷款的情况下，评级/前景可能会发生变化，此外还有财务绩效和其他相关因素。护理对任何错误概不负责，并指出它对护理用户的评级没有任何财务责任。但是，如果引入任何此类条款，并且如果触发，则评分可能会看到波动性和急剧降级。根据设施/工具的条款，我们的评分不会考虑任何与评级相关的触发条款，这可能涉及加速付款，以免降级。
独立超薄膜的泊松比和残余应变
利用拉伸桥中的横向起皱现象来表征超薄膜 (<100 nm) 的泊松比和残余应变。该测试方法利用残余应力驱动结构和易于复制的洁净室制造和计量技术，可无缝整合到薄膜生产装配线上。独立式矩形超薄膜桥采用可产生可重复横向起皱图案的尺寸制造。基于非线性 Koiter 板壳能量公式进行数值建模，将泊松比和残余应变与测得的起皱变形关联起来。泊松比会影响峰值幅度，而不会显著改变皱纹的波长。相比之下，应变会同时影响波长和幅度。使用 65 nm 厚的铜膜演示了概念验证。测量结果显示泊松比为 0.34 ± 0.05，拉伸残余应变为 (6.8 ± 0.8)x 10 − 3。测量的残余应变与使用相同薄膜的交替残余应力驱动测试结构测得的残余应变 (7.1 ± 0.2)x 10 − 3 高度一致。
纯电动卡车部件转售凸显残值上涨空间
CALSTART 开发了一个财务模型，使用行业合作伙伴提供的合理衰减率逐个评估 BET 组件的 RV。根据该模型，当考虑组件转售价值时，BET 的 RV 预期值会很高，尤其是在卡车使用寿命的后期，但在典型融资期的早期也是如此。具体而言，到第 5 年，建模的 BET 组件合计可保留卡车初始价值的 15-25%——这比贷方在其当前承保流程中使用的前景要好。这种 RV 保留率与柴油卡车的 RV 保留率接近，约为 30%，并且随着 BET 继续变得更具成本效益并受到法规的青睐，未来可能会下降。此外，由于电池在二次使用期间具有持续价值，因此在第 8 年后，BET 保留的 RV 比柴油卡车更高。这个基于 BET 组件转售的 RV 基准得到了众多电池二次生命公司的创新市场活动的支持，例如 Zenobē 和 Connected Energy，他们正在利用到 2030 年二手电动汽车电池供应所带来的 20 至 25 亿美元的机会。
在转移性胰腺导管中残留循环肿瘤DNA的预后价值
缩写：CA19-9，碳水化合物抗原19-9； ctDNA，循环肿瘤DNA； F，女； Folfirinox，叶酸，5-氟尿嘧啶，伊立曲霉和奥沙利铂的组合； M，男性； Mfolfirinox，改良的folfirinox； PFS，无进展的生存； OS，整体生存
用于脑肿瘤检测和分割的多任务上下文空洞残差网络
摘要 —近年来，深度神经网络在医学成像中的各种识别和分割任务中取得了最佳性能，包括脑肿瘤分割。我们发现，分割脑肿瘤面临着数据不平衡的问题，即属于背景类（非肿瘤像素）的像素数量远大于属于前景类（肿瘤像素）的像素数量。为了解决这个问题，我们提出了一个级联结构的多任务网络。我们的模型包含两个目标，即（i）有效区分脑肿瘤区域和（ii）估计脑肿瘤掩模。第一个目标由我们提出的上下文脑肿瘤检测网络执行，该网络起到注意力门的作用，只关注脑肿瘤周围的区域，而忽略与肿瘤相关性较小的远邻背景。与处理每个像素的其他现有物体检测网络不同，我们的上下文脑肿瘤检测网络只处理真实实例周围的上下文区域，这种策略旨在产生有意义的区域提议。第二个目标建立在 3D 空洞残差网络和编码解码网络之下，以便有效地分割大物体和小物体（脑肿瘤）。我们的 3D 空洞残差网络采用跳跃连接设计，使深层的梯度能够直接传播到浅层，从而保留不同深度的特征并用于相互细化。为了从体积 MRI 数据中整合更大的上下文信息，我们的网络利用具有各种内核大小的 3D 空洞卷积，从而扩大了滤波器的感受野。我们提出的网络已经在包括 BRATS2015、BRATS2017 和 BRATS2018 数据集在内的各种数据集上进行了评估，包括验证集和测试集。我们的性能已通过基于区域的指标和基于表面的指标进行了基准测试。我们还与最先进的方法进行了比较。1