XiaoMi-AI文件搜索系统
World File Search Systemsim
可通过志贺氏菌疫苗预防的资源匮乏地区儿童腹泻和抗生素使用负担：一项模拟研究
。CC-BY 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
一个快速准确的1维模型，用于动态模拟和优化分层的热量存储
Alix Untrau，Sabine Sochard，FrédéricMarias，Jean-Michel Reneaume，Galo A.C.le roux等人。一种快速准确的1维模型，用于动态模拟和优化分层的热量存储。应用能量，2023，333，pp.120614。10.1016/j.apenergy.2022.120614。hal-03947326
模拟驱动的监督学习框架，使用扩散MRI
一个人通常将信号表达式拟合到实验数据以估计模型参数。但是，某些生物物理模型中固有的不确定性使参数估计不稳定[22]。此外，准确的拟合并不一定证明基本的生物物理模型是合理的，并且估计的模型参数可能在生物物理上毫无意义[23，24]。由于数学并发症而排除了生物物理模型之类的微妙效果，例如神经突的起伏[11，20，25]。除了简化的几何模型带来的误差外，某些假设的有效性（例如GPA）仍然未知[23，26]。此外，几种信号表达式的有效性机制取决于微结构长度尺度[27]。体素可能表现出多长度尺度（例如，各种SOMA RADII），因此不同的有效性制度可以逐渐共存或逐渐出现[24]，从而使全面的模型验证变得困难。
通过定向能量沉积制造的薄壁结构中的残余应力：原位测量，快速的热机械模拟和屈曲
制造菌株和随后的残余应力是薄壁结构行为的关键要素，因为它们会引起屈曲，翘曲和失败。这项工作通过使用定向能量沉积的薄壁结构进行了对这些特征的合并实验和数值分析。通过使用红外和光学摄像头，在整个部分以及整个过程中都确定了在制造过程中温度和计划位移场中的原位测量值。这项工作的一种新颖性是在不停止制造的情况下确定位移场，与大多数现有方法不同，这大大简化了该过程的监视。此外，已经开发了该过程的数值建模来研究残余应力的形成。所提出的方法的一种新颖性是通过解耦热和机械问题来达到相当短的计算时间，这对于参数研究很有趣。结果是相关的，因为计算的温度和位移场与原位测量非常吻合。互补的屈曲分析还显示了该模型由于过度过度偏转而预测必须停止制造的能力。因此，所提出的模型可以用作为给定零件选择合适的过程参数的工具。
旋转...
摘要在操作中，印刷电路板（PCB）将面临各种和重复的热机械载荷，这可能导致铜的故障，从而导致PCB本身故障。为了模拟和更好地预测PCB的可靠性，必须定义铜的本构行为。在目前的工作中，在循环拉伸压缩载荷下经常测试了在灵活的PCB行业中经常使用的17 µm滚动退火灯泡。铜的弹性极限较低，塑性变形起着在应变过程中起重要作用。在循环载荷下，已经观察到主要的运动硬化。已通过Lemaitre-Chaboche硬化模型确定了所研究铜胶的塑性行为。接下来，已经开发出一种原始的实验设置，从而可以测量循环载荷下薄铜纤维的疲劳行为。进行了各种负载振幅的测试。已经采用了一个共同的曼森模型来重现实验数据。
一种新型的多重RNAi疗法同时靶向HIF1A和HIF2A，以在AMD
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年2月17日发布。 https://doi.org/10.1101/2024.11.29.626080 doi：Biorxiv Preprint
集体自我消费的多代理模拟
JérémyAlbouys-Perrois，Nicolas Sabouret，Yvon Haradji，Mathieu Schumann，Benoit Charrier等。集体自我消费的多代理模拟：存储系统的影响和大型能源交换的影响。能源与建筑物，2022，254，pp.111543。10.1016/j.enbuild.2021.111543。hal- 03505248
机器学习方法是否导致类似的个性化治疗规则？真实数据的比较研究
Florie Bouvier，Etienne Peyrot，Alan Balendran，CorentinSégalas，Ian Roberts等。机器学习方法是否导致类似的个性化治疗规则？对真实数据的比较研究。医学的统计数据，2024，43（11），pp.2043-2061。10.1002/sim.10059。hal-04503566
在基于目标的药物相似性网络中发现新的药物特性
尽管生物信息学、系统生物学和机器学习最近取得了进展，但准确预测药物特性仍然是一个悬而未决的问题。事实上，由于生物环境是一个复杂的系统，传统的基于化学结构知识的方法无法完全解释药物与生物靶标之间相互作用的性质。因此，在本文中，我们提出了一种无监督机器学习方法，该方法使用我们了解的有关药物-靶标相互作用的信息来推断药物特性。为此，我们根据药物-靶标相互作用定义药物相似性，并根据药物-药物相似性关系构建加权药物-药物相似性网络。使用能量模型网络布局，我们生成与特定、主要药物特性相关的药物社区。然而，这些社区中 13.59% 的药物似乎与主要药理特性不匹配。因此，我们将它们视为药物重新利用的提示。测试所有这些重新利用提示所需的资源相当可观。因此，我们引入了一种基于中介性/度节点中心性的优先级机制。通过使用介数/度作为药物再利用潜力的指标，我们确定药物甲丙氨酯可能是一种抗真菌药物。最后，我们使用基于分子对接的稳健测试程序进一步确认甲丙氨酯的再利用能力。