XiaoMi-AI文件搜索系统
World File Search System优化设计
热电联产可再生能源系统的优化设计和调度
捕获热能以产生可用的热能，抵消为此目的额外燃料的消耗。这样，分布式发电系统比将电力和热能生产分开的传统发电机实现了更高的能源效率（Kerr，2008 年）。可再生技术的使用和热电联产的效率提升可显著减少排放，从而推动世界减少全球污染和实现气候变化目标的举措。此外，研究表明，分布式发电系统可节省能源，在减少输配电容量投资方面发挥重要作用（El-Khattam 和 Salama，2004 年；Gumerman 等人，2003 年）。其好处还包括调峰，以及提高系统可靠性和弹性（Chiradeja 和 Ramakumar，2004 年）。我们的研究为热电联产可再生技术的最佳设计（即规模和组合）和调度提供了信息，以降低代表性商业建筑的成本。
坦桑尼亚农村混合可再生能源的优化设计
摘要 发展中国家的农村社区由于电网延伸成本高昂而无法用电。本文提出一种可再生能源混合系统 (HRES) 作为解决方案。HRES 由太阳能、风能和电池储能 (BES) 组成。本文以东非坦桑尼亚 Shinyanga 地区的 Ngw'amkanga 村为案例研究。本文提出了一种迭代方法来确定所需风能和太阳能光伏 (PV) 发电规模，假设项目寿命为 25 年，系统最低年化成本 (ACS)。项目寿命固定在主要部件太阳能光伏的寿命 25 年。进行迭代是为了满足能源需求，确保 BES 全年充电。所需的 BES 具有三天的自主权，最大电池放电深度为 50%。在最低 ACS 下，由于该地点风力不足，HRES 仅包含太阳能光伏和 BES。 HRES 的平准化能源成本 ( LCOE ) 为 27.18 元/千瓦时，由用户支付。这比本文讨论的坦桑尼亚与电网连接的小型电力生产商便宜。关键词：可再生能源；风能发电；太阳能光伏；年化成本
使用基于保守模型的优化设计细胞类型的启动子序列
基因疗法有可能通过将治疗性遗传货物传递给疾病相关细胞来治疗疾病。对其广泛使用的一种局限性是缺乏较短的调节序列或启动子，该序列会差异地诱导靶细胞中传递的遗传货物的表达，从而最大程度地减少其他细胞类型的副作用。这种细胞类型特异性的启动子很难使用现有方法发现，需要手动策划或访问来自靶向和未靶向细胞的启动子驱动表达的大型数据集。基于模型的优化（MBO）已成为一种以自动化方式设计生物学序列的有效方法，最近已用于启动子设计方法。但是，这些方法仅使用昂贵的大型培训数据集进行了测试，并专注于为明显不同的细胞类型设计启动子，从而忽略了与与具有相似调节特征的紧密相关细胞类型设计启动子相关的复杂性。因此，我们引入了一个综合框架，用于利用MBO以数据有效的方式设计启动子，重点是发现类似细胞类型的启动子。我们将保守的目标模型（COM）用于MBO，并突出显示了实际的考虑因素，例如改善序列多样性，估算模型不确定性的最佳实践，并选择用于实验验证的最佳序列集。使用三种相对相似的血液癌细胞系（Jurkat，K562和THP1），我们表明我们的方法在实验验证了设计的序列后发现了许多新型细胞型特异性启动子。对于K562细胞，我们发现了一个启动子，该启动子的细胞类型特异性比最初用于训练模型的最初数据集高75.85％。
使用拓扑优化设计轻型燃气涡轮发动机部件
增材制造是一种最新的生产方法，它彻底改变了零件设计的方法。这种方法允许在一步内以最少的后加工获得复杂结构。零件的结构复杂性和形状复杂性不会影响生产的主要成本，重要的是零件的重量。增材制造的应用使设计师能够消除生产环境中技术能力的严格规则所施加的限制。即使发动机的重量略有减轻，也会在航空航天工业中显著节省燃料并减少污染物排放。这就是为什么该行业的主要目标是设计重量更轻的飞机零件，同时保持其规定的功能和使用寿命。增材制造的快速发展让我们回想起一项众所周知但迄今为止几乎不适用的设计技术，即拓扑优化。当时，优化产品的制造是不切实际的，通常是不可能的，因为它需要大量劳动力，并且需要大量投资才能通过传统生产方法提供复杂的几何形状。拓扑优化方法的基本性质执行了相同的想法，作为增材制造的基石，将材料准确地送到需要的地方。增材制造和拓扑优化方法通过共同的概念结合在一起，能够在最新的国内发动机制造中实现飞跃。这项工作的成果将用于 UEC-Aviadvigatel JSC，用于基于俄罗斯金属粉末增材制造的飞机和工业燃气涡轮发动机复杂形状零件的高科技制造。
用于脑源定位的头皮电磁传感器阵列的优化设计
图 4 全头部 OPM 和混合 OPM/EEG 设计。（a – d）OPM 和混合 OPM/EEG 系统的误差指标与所考虑的头皮磁力仪数量的关系。两个系统的 r 95 的中值和最大值均与市售阵列（不同颜色）相对应的指标一起显示，这些指标是恒定的并且与 OPM 的数量无关。（e – g）仅 OPM（e）、混合 OPM/EEG（f）和完整 OPM ABC 160（g）阵列的等效不确定半径的空间分布，前两个阵列采用 100 个头皮磁力仪。（h – i）所有源的等效不确定半径的归一化直方图，采用线性（h）和半对数（i）尺度。（j）三个系统的 r 95 平均值与源深度的关系（每 5 毫米分箱一次）。 （k – l）最佳混合 OPM/EEG 阵列传感器位置（k）和布局（l）。EEG 电极和 OPM 分别用蓝点和红点表示
![利用人工智能（AI）技术和电磁学的优化设计[II/完整]](/simg/g:\will\search\icon\source\9\9387ec6c0b051bb435b36d1f49766d3c18604346.png)
利用人工智能（AI）技术和电磁学的优化设计[II/完整]
(1) R. Gómez-Bombarelli, J.N.魏，D. Duvenaud，J.M.Hernandez-Lobato、B. Sanchez-Lengeling、D. Sheberla、J. Aguilera-Iparraguirre、T.D.希泽尔 R.P.亚当斯和 A.Aspuru-Guzik.，“使用数据驱动的分子连续表示进行自动化学设计”，ACS Central Science，卷。4，没有。2，第268-276，2018 年 2 月。(2) T.Guo, D.J.Lohan 和 J.T.Allisony，“使用变分自动编码器和风格迁移进行拓扑优化的间接设计表示”，AIAA 2018-0804。https://doi.org/10.2514 / 6.2018-0804，2018年。(3) S. Oh、Y. Jung、S. Kim、I. Lee 和 N. Kang，“深度生成设计：拓扑优化与生成模型的集成，”J.机械设计，卷。141，号。11, 111405, 2019.(4) 五十岚一，伊藤桂一，《人工知能(AI)技术と电磁気学を用いた最适设计［I］──トポロジー最适化──，》信学志，卷．105，没有。1. 页2022 年 33-38 日。(5) H. Sasaki 和 H. Igarashi，“深度学习加速拓扑优化”，IEEE Trans。Magn.，卷。55，没有。6，7401305，2019。(6) J. Asanuma、S. Doi 和 H. Igarashi，“通过深度学习进行迁移学习：应用于电动机拓扑优化, ” IEEE Trans.Magn., 卷。56, no.3, 7512404, 2020.(7 ) T. Aoyagi、Y. Otomo、H. Igarashi1、H. Sasaki、Y. Hidaka 和 H. Arita，“使用深度学习进行拓扑优化预测电流相关电机扭矩特性”，将在 COMPUMAG2021 上发表。(8) R.R.Selvaraju、M. Cogswell、A. Das、R. Vedantam、D. Parikh 和 D. Batra，“Grad-CAM：来自深层的视觉解释网络通过基于梯度的定位，” Proc.IEEE Int.Conf.计算机视觉 ( ICCV )，第< div> 618-626，2017 年。(9) H. Sasaki、Y. Hidaka 和 H. Igarashi，“用于电动机设计的可解释深度神经网络”，IEEE Trans。Magn.，卷57，号6，8203504，2021。(10) X.Y.Kou，G.T.Parks，和 S.T.< div> Tana，“功能优化设计
![利用人工智能（AI）技术与电磁学进行优化设计 [I]](/simg/g:\will\search\icon\source\e\e2b202296b0567a88b2efb733a168494aa2a8937.png)
利用人工智能（AI）技术与电磁学进行优化设计 [I]
(1) MP Bendsøe 和 N. Kikuchi，“使用均质化方法在结构设计中生成最佳拓扑”，Comp. Methods in Appl. Mech. Eng.，第 71 卷，第 197-224 页，1988 年。 (2) MP Bendsøe 和 O. Sigmund，拓扑优化，理论、方法和应用，Springer，2004 年。 (3) Hidenori Sasaki 和 Hajime Igarashi，“使用傅里叶级数对 IPM 电机进行拓扑优化”，Journal of Electrical Engineering (B)，第 137 卷，第 3 期，第 245-253 页，2017 年 3 月。 (4) Y. Tsuji 和 K. Hirayama，“使用基于函数扩展的折射率分布的拓扑优化方法设计光路设备”，IEEE Photonics Technol. Lett.， (5) T. Sato、H. Igarashi、S. Takahashi、S. Uchiyama、K. Matsuo 和 D. Matsuhashi，“使用拓扑优化实现内置永磁同步电机转子形状优化”，《电气工程杂志 (D)》，第 135 卷，第 3 期，第 291-298 页，2015 年 3 月。 (6) S. Kobayashi，“实数编码 GA 的前沿”，《人工智能杂志》，第 24 卷，第 1 期，第 147-162 页，2009 年 1 月。 (7) T. Sato、K. Watanabe 和 H. Igarashi，“基于正则化高斯网络的电机多材料拓扑优化”，《IEEE 会刊》， (8) S. Hiruma、M. Ohtani、S. Soma、Y. Kubota 和 H. Igarashi，“参数和拓扑优化的新型混合：应用于永磁电机，”IEEE Trans. Magn.，第 57 卷，第 7 期，8204604，2021 年 (9) Y. Otomo 和 H. Igarashi，“用于无线电源传输设备的磁芯 3-D 拓扑优化，”IEEE Trans. Magn.，第 55 卷，第 6 期，8103005，2019 年。 (10) K. Itoh、H. Nakajima、H. Matsuda、M. Tanaka 和 H. Igarashi，“使用带归一化高斯网络的拓扑优化开发用于缝隙天线的小型介电透镜，”IEICE Trans. Electron.， E101-C 卷，第 10 期，第 784-790 页，2018 年 10 月。 (11) N. Hansen、SD Müller 和 P. Koumoutsakos，“通过协方差矩阵自适应降低去随机化进化策略的时间复杂度（CMA-ES），”进化计算，第 11 卷，第 1 期，第 1-18 页，2003 年。 (12) N. Aage、E. Andreassen、BS Lazarov 和 O. Sigmund，“用于结构设计的千兆体素计算形态发生”，自然，第 550 卷，23911，2017 年。
使用热量和功率组合的可再生能源系统优化设计和调度
免责声明本文件是作为由美国政府机构赞助的工作的帐户准备的。美国政府和劳伦斯·利弗莫尔国家安全，有限责任公司，或其任何雇员均不对任何信息，设备，产品或流程的准确性，完整性或有用性承担任何法律责任或责任，或承担任何法律责任或责任，或者代表其使用不会侵犯私有权利。以本文提及任何特定的商业产品，流程或服务，商标，制造商或其他方式不一定构成或暗示其认可，建议或受到美国政府或Lawrence Livermore National Security，LLC的认可。本文所表达的作者的观点和意见不一定陈述或反映美国政府或劳伦斯·利弗莫尔国家安全，有限责任公司的观点和观点，不得用于广告或产品代表目的。
将水动力能融入混合可再生能源系统：优化设计与比较分析
摘要：可再生能源和能源效率措施是减少二氧化碳排放的有效手段。太阳能和风能技术主要是为了满足离网偏远地区或没有电网连接地区的能源需求而开发的。然而，众所周知，这些资源的发电量受到日常波动和季节性变化的影响。减轻这种影响的一种方法是将水动力资源纳入能源系统，但这种方法尚未得到很好的研究。因此，本研究探讨了设计一种混合系统的前景，该系统将水动力能整合到离网区域进行电气化。水动力能的产生取决于水流速度 (WFV)。我们采用基于模型的方法估计 WFV，以地理和天气数据作为输入。结合微电网中其他组件（风力涡轮机、光伏板、电池和柴油发电机）的模型，以总净现值成本和能源成本作为性能标准，制定了一个优化问题。遗传算法 (GA) 用于解决该问题，以确定最佳系统配置。将我们的方法应用于尼日利亚的一个小社区，我们的研究结果表明附近河流的流速在 0.017 到 5.12 米/秒之间，平均流速为 0.71 米/秒。最终的最佳微电网由 320 千瓦光伏、120 台 6.91 千瓦时电池、2 台（27 千瓦）水力涡轮机、一台 120 千瓦转换器、零风力涡轮机和一台 100 千瓦柴油发电机组成。因此，每年产生的总能量将达到 471,743 千瓦时，其中 12% 来自水力能。总净现值成本、能源成本和资本成本分别为 1,103,668 美元、0.2841 美元/千瓦时和 573,320 美元。