摘要 – 自动化和灵活生产方式的出现导致了对稳健监控系统的需求。此类系统旨在通过将其作为表征工艺条件的关键变量(称为特征)的函数来估计生产工艺状态。因此,特征选择问题对于基于传感器的监控应用至关重要,即在给定一组原始特征的情况下,找到一个子集,以使监控系统的估计精度尽可能高。考虑到实际应用,由于可用数据集合的不完善,特征选择可能很棘手:根据数据采集条件和受监控工艺操作条件,它们可能是异构的、不完整的、不精确的、矛盾的或错误的。传统的特征选择技术缺乏处理来自不同集合的不确定数据的解决方案。数据融合提供了解决方案来一起处理这些数据集合,以实现一致的特征选择,即使在涉及不完善数据的困难情况下也是如此。在这项工作中,工业钻井系统中工具的状态监测将作为基础,展示如何在这种困难情况下使用数据融合技术进行特征选择。
本文提出了一种基于全局-局部建模方法的轻型结构多尺度优化策略。该方法应用于民用飞机的实际机翼结构。机翼的初步设计可以表述为一个约束优化问题,涉及结构不同尺度的几个要求。所提出的策略有两个主要特点。首先,通过包括每个问题尺度上涉及的所有设计变量,以最一般的意义来表述问题。其次,考虑两个尺度:(i)结构宏观尺度,使用低保真度数值模型;(ii)结构中观尺度(或组件级),涉及增强模型。特别是,结构响应在全局和局部尺度上进行评估,避免使用近似分析方法。为此,完全参数化的全局和局部有限元模型与内部遗传算法相连接。仅为结构中最关键的区域创建精炼模型,并通过专用子建模方法链接到全局模型。
我们提出了一种自适应物理学的深层均质化神经网络(DHN)方法,以制定具有不同微结构的弹性和热弹性周期性阵列的全场微力学模型。通过完全连接的多层连接的单位细胞溶液通过最大程度地限制根据应力平衡和热传导部分微分方程(PDE)的残差之和,以及无界面的无牵引力或绝热边界条件。相比,通过引入具有正弦函数的网络层直接满足周期性边界条件。完全可训练的权重施加在所有搭配点上,这些搭配点与网络权重同时训练。因此,网络会在损耗函数中自动为界面附近(尤其是单位细胞解决方案的具有挑战性的区域)中的搭配点分配更高的权重。这迫使神经网络在这些特定点上提高其性能。针对有限元素和弹性解决方案的自适应DHN的精度分别用于椭圆形和圆柱孔/纤维的弹性解决方案。自适应DHN比原始DHN技术的优点是通过考虑局部不规则的多孔架构来证明合理的,孔隙 - 孔相互作用使训练网络特别缓慢且难以优化。
摘要 锂离子电池因其高能量和功率密度而被广泛应用于汽车工业(电动汽车和混合动力汽车)。然而,这也带来了新的安全性和可靠性挑战,需要开发新型复杂的电池管理系统 (BMS)。BMS 可确保电池组安全可靠地运行,要实现这一点,必须求解一个模型。然而,当前的 BMS 并不适合汽车行业的规范,因为它们无法以实时速率和在广泛的操作范围内提供准确的结果。因此,这项工作的主要重点是开发混合动力双胞胎,如 Chinesta 等人所介绍的那样。(Arch Comput Methods Eng (in press), 2018. 以满足新一代 BMS 的要求。为了实现这一目标,三种降阶模型技术应用于最常用的基于物理的模型,每种技术适用于不同的应用范围。首先,使用 POD 模型大大减少伪二维模型的仿真时间和计算工作量,同时保持其准确性。通过这种方式,可以在节省时间和计算资源的同时进行电池设计、参数优化和电池组仿真。此外,还研究了它的实时性能。接下来,使用稀疏-本征广义分解 (s-PGD) 从数据构建回归模型。结果表明,它实现了带有电池组的整个电动汽车 (EV) 系统的实时性能。此外,由于获得的代数表达式简单,该回归模型可以毫无问题地用于 BMS。使用系统仿真工具 SimulationX(ESI ITI GmbH)演示了使用所提方法对 EV 的仿真。德国德累斯顿 。此外,使用 s-PGD 创建的数字孪生不仅可以进行实时仿真,还可以根据实际驾驶条件和实际驾驶周期调整其预测,从而实时更改规划。最后,开发了一种基于动态模式分解技术的数据驱动模型,以提取一个在线模型来纠正预测和测量之间的差距,从而构建第一个(据我们所知)能够从数据中自我校正的锂离子电池混合孪生。此外,得益于该模型,上述差距在驾驶过程中得到了纠正,同时考虑到了实时限制。
材料建模一直是一个具有挑战性的问题。此类建模中出现了许多复杂性,例如非线性材料行为、复杂物理和大变形,以及多物理现象。此外,材料通常会表现出丰富的厚度响应行为,这阻碍了使用经典简化方法,并且在使用经典模拟技术时需要极其精细的网格。模型简化技术似乎是减少计算时间的合适解决方案。许多应用和材料成型过程都受益于模型简化技术提供的优势,包括固体变形、传热和流体流动。此外,数据驱动建模的最新发展为材料建模开辟了新的可能性。事实上,使用数据建模对模拟进行校正或更新导致了所谓的“数字孪生”模型的形成,从而通过数据驱动建模改进了模拟。通过使用机器学习算法,也可以对当前模型不准确的材料进行数据驱动建模。因此,在材料制造过程和材料建模框架内有效构建数字孪生的问题如今已成为一个越来越受关注的话题。数字孪生技术的最新进展是使用实验结果来校正模拟,同时也在无法通过实验定义基本事实时将其变化纳入正在运行的模拟中。本研究主题讨论了模型简化技术、数据驱动建模和数字孪生技术的最新发展,以及它们在材料建模和材料成型过程中的应用。在 Victor Champaney 等人的论文中,作者解决了非平凡插值的问题,例如,当曲线中的临界点(例如弹塑性转变点)移动位置时就会出现这种问题。为了找到该问题的有效解决方案,本文展示了几种方法,结合了模型简化技术和代理建模。此外,还展示了通过为预测曲线提供统计界限来量化和传播不确定性的替代品。本文展示了几种应用,以经典材料力学问题为例。
伯克希尔医疗中心 皮茨菲尔德 √ 3 1,500 美元 √ N/A 275 美元 √ 2 500 美元 √ N/A 275 美元 √ 2 500 美元 贝斯以色列女执事医院 - 米尔顿 原名 米尔顿医院 米尔顿 √ 1 275 美元 √ 1 275 美元 √ 1 275 美元 √ N/A 275 美元 √ 1 275 美元 贝斯以色列女执事医院 - 尼德姆 原名 尼德姆医院 尼德姆 √ 1 275 美元 √ 1 275 美元 √ 1 275 美元 √ N/A 275 美元 √ 1 275 美元 贝斯以色列女执事医院 - 普利茅斯 原名 乔丹医院 普利茅斯 √ 1 275 美元 √ 1 275 美元 √ 1 275 美元 √ N/A 275 美元
本文提出了一种基于全局-局部建模方法的轻型结构多尺度优化策略。该方法应用于民用飞机的实际机翼结构。机翼的初步设计可以表述为一个约束优化问题,涉及结构不同尺度的若干要求。所提出的策略有两个主要特点。首先,问题以最一般的意义来表述,包括每个问题尺度所涉及的所有设计变量。其次,考虑两个尺度:(i)结构宏观尺度,使用低保真度数值模型;(ii)结构中观尺度(或组件级),涉及增强模型。特别是,结构响应在全局和局部尺度上进行评估,避免使用近似分析方法。为此,完全参数化的全局和局部有限元模型与内部遗传算法交互。只为结构最关键的区域创建精炼模型,并通过专用的子建模方法链接到全局模型。
摘要 锂离子电池因其高能量和高功率密度而被广泛应用于汽车工业(电动汽车和混合动力汽车)。然而,这也带来了新的安全性和可靠性挑战,需要开发新型复杂的电池管理系统 (BMS)。BMS 可确保电池组安全可靠地运行,要实现这一点,必须求解一个模型。然而,目前的 BMS 并不适合汽车行业的规范,因为它们无法在实时速率和广泛的操作范围内提供准确的结果。因此,这项工作的主要重点是开发一种混合动力双胞胎,如 Chinesta 等人所介绍的那样。 (Arch Comput Methods Eng(印刷中),2018。以满足新一代 BMS 的要求。为此,三种降阶模型技术被应用于最常用的基于物理的模型,每种技术针对不同的应用范围。首先,使用 POD 模型来大大减少伪二维模型的仿真时间和计算工作量,同时保持其准确性。通过这种方式,可以节省时间和计算资源,同时进行电池设计、参数优化和电池组仿真。此外,还研究了它的实时性能。接下来,利用稀疏-固有广义分解 (s-PGD) 从数据构建回归模型。结果表明,它可实现带有电池组的整个电动汽车 (EV) 系统的实时性能。此外,由于获得的代数表达式简单,该回归模型可在 BMS 中毫无问题地使用。使用系统仿真工具 SimulationX(ESI ITI GmbH)演示了采用所提方法的 EV 仿真。德国德累斯顿)。此外,使用 s-PGD 创建的数字孪生不仅可以进行实时模拟,还可以根据实际驾驶条件和实际驾驶周期调整其预测,从而实时更改规划。最后,开发了一种基于动态模式分解技术的数据驱动模型,以提取在线模型来纠正预测和测量之间的差距,从而构建出第一个(据我们所知)能够从数据中自我纠正的锂离子电池混合孪生。此外,由于该模型,上述差距在驾驶过程中得到了纠正,同时考虑到实时限制。
增强现实 (AR) 通过简化上下文信息的处理来增强对复杂情况的理解。航空业的维护活动包括在行业和工作环境的严格约束下对各种高科技产品执行的复杂任务。AR 工具似乎是改善工人与技术数据之间交互以提高航空维护活动的生产率和质量的潜在解决方案。然而,由于缺乏方法和工具来协助在该领域整合和评估 AR 工具,对 AR 对工业流程的实际影响的评估有限。本文介绍了一种部署适合维护工人的 AR 工具的方法,以及选择工业环境中影响的相关评估标准的方法。该方法用于设计用于维护车间的 AR 工具,对实际用例进行实验,并观察 AR 对所有工人资料的生产率和用户满意度的影响。进一步的工作旨在将结果推广到航空业的整个维护过程。使用收集到的数据应该能够预测 AR 对相关维护活动的影响。
2 在阿肯色州不常见的病原体/耐药机制(目标 MDRO) • 耳念珠菌 (C. auris) • 产碳青霉烯酶的肠杆菌 + • 产碳青霉烯酶的鲍曼不动杆菌 • 产碳青霉烯酶的铜绿假单胞菌 • 耐万古霉素金黄色葡萄球菌 • 泛不敏感革兰氏阴性菌 3 在阿肯色州常见但非地方性的病原体/耐药机制 • 耐碳青霉烯肠杆菌 (CRE)** + • 耐碳青霉烯的鲍曼不动杆菌 (CRAB)** • 耐碳青霉烯的铜绿假单胞菌 (CRPA)** 4 在阿肯色州地方性的病原体/耐药机制和/或流行病学相关性较低 • 先前未列出的其他 MDRO