XiaoMi-AI文件搜索系统
World File Search System元模型
用于316升不锈钢复合涂层的定向能量沉积的热模型，富含钨碳酸盐
这项工作着重于316升底物上的复合涂层（316升染色的钢）的有向能沉积的热建模。开发的有限元模型预测了沉积过程中包裹中部中间部分的热历史和熔体池维度的演变。nu-merical结果与实验分析（光学和扫描电子显微镜和热电偶记录）相关，以验证模型并讨论可能的固化机制。证明，在边界条件下强制对流的实施非常重要，以确保输入能量和热量损失之间的平衡。最高峰值温度显示了第一层的略有增加趋势，其次是明显的稳定，随着外壳高度的增加。通过边界证明了高热量损失。在文献中，大多数建模研究都集中在单层或几层几何上，但这项工作描述了一个多层模型，能够预测沉积过程中的热领域历史记录并提供有关新物料的一致数据。该模型可以应用于重新校准的其他形状。详细介绍了校准方法以及对输入参数的灵敏度分析。©2021作者。由Elsevier Ltd.这是CC下的开放式访问文章（http：//creativecommons.org/licenses/4.0/）。
MDA 元建模 - 约克大学计算机科学
OMG 模型驱动架构 (MDA) 有望成为软件工程的革命性一步，使模型成为主要工件。这提高了软件开发过程中的抽象级别，从而有助于管理当今系统固有的复杂性和变化。虽然人们非常关注将独立于平台的模型转换为特定于平台的模型，但 MDA 的范围可能涵盖了整个生命周期中系统所有方面的建模。元建模为这一愿景提供了基础，它使有意义的语言元模型能够精确定义并统一在一致的框架中。为此，OMG 的元对象工具 (MOF) 被规定为表达所有 MDA 语言的语言。然而，随着 UML 修订过程的另一轮迭代接近完成，许多问题已经提出，涉及应用 MOF 的方式，以便构建支持 MDA 的语言可重用、灵活且有意义。然后，该研讨会旨在研究语言元建模所需的基本原理、工具和技术，以便为 MDA 奠定基础，并为建模在软件开发中的作用奠定长期基础。
失谐涡轮发动机压缩机的制造建模与实验方法的评估
AFRL 空军研究实验室 AMM 制造模型 B 叶片 BTT 叶尖正时 CAD 计算机辅助设计 CARL 压缩机航空研究实验室 CFD 计算流体动力学 CMM 坐标测量机 CMS 部件模态综合 DOD 家用物体损坏 DOF 自由度 EO 发动机阶数 FEA 有限元分析 FEM 有限元模型 FMM 基本失谐模型 FOD 外来物体损坏 FRA 受迫响应分析 GMM 几何失谐模型 HCF 高周疲劳 HPC 高压压缩机 IBR 整体叶片转子 ICP 迭代最近点 LCF 低周疲劳 MMDA 改进模态域方法 MORPH 智能网格变形方法 PCA 主成分分析 PBS 参数化叶片研究 N 叶片数量 ND 节点直径 NSMS 非侵入应力测量系统 ROM 降阶模型 SDOF 单自由度 SWAT 正弦波分析技术 SNM 标称子集模式 TAF 调谐吸收器因子 TEFF 涡轮发动机疲劳设施 TWE 行波激励
具有不对称临时免疫时期和部分跨免疫的传染病扩散的两晶型模型
我们引入了具有不对称临时免疫期和部分跨免疫力的两种元模型。我们根据菌株特异性的碱性繁殖数量，临时免疫力和交叉免疫性程度，从而获得了竞争性排除和菌株共存的明确条件。我们分叉分析的结果表明，即使两种菌株具有相似的基本繁殖数和其他流行病学参数，临时免疫期的差异以及部分或完整的交叉免疫也可以提供显着的竞争优势。为了分析动力学，我们引入了一个准稳态还原模型，该模型假设原始应变保持其流行稳态状态。我们使用线性稳定性分析，平面平面分析和Bendixson-Dulac标准完全分析了所得的平面混合开关系统。我们使用共同的模型和相关的模型与COVID-19的发病率数据相结合，重点介绍了三角洲（B.1.617.2），Omicron（B.1.1.529）和Kraken（XBB.1.5）变体。这些数值研究表明，尽管19 Covid-19的早期新型菌株具有显着接管和灭绝祖先菌株的趋势，但最近的菌株具有共存的能力。
增材制造中的残余应力控制
摘要：残余应力是金属增材制造 (AM) 中零件或系统失效的主要原因之一，因为它们极易引起裂纹扩展和结构变形。尽管残余应力的形成已被广泛研究，但影响其在 AM 中发展的核心因素尚未完全揭示。迄今为止，已经开发出几种基于降低热梯度的策略来减轻 AM 中残余应力的表现；然而，如何选择最佳加工方案对于 AM 设计师来说仍不清楚。在这方面，与热变形和机械约束相关的屈服温度概念在控制残余应力方面起着至关重要的作用，但尚未得到充分研究，并且控制应力的相应方法也尚缺乏。为了进行此类研究，首先使用三杆模型来说明残余应力的形成机制及其主要原因。接下来，使用经过实验校准的热机械有限元模型来分析残余应力对扫描模式、预热、能量密度、部件几何形状和尺寸以及基板约束的敏感性。根据从此分析中获得的数值结果，提供了有关如何在 AM 过程中最大限度地减少残余应力的建议。
液压电磁阀的可靠性和寿命研究。第 2 部分
本研究采用理论和实验相结合的方法，研究汽车变速器中使用的电磁阀 (SV) 的可靠性。本研究的目标是使用加速测试来表征 SV 故障，并将结果与新的综合有限元模型 (第 1 部分) 相关联。我们设计和制造了一种定制测试设备，用于同时监控和启动多达四个 SV。该测试设备能够应用受控的占空比、电流和启动频率。SV 还放置在热室中，以便可以精确控制环境温度。该设备实时测量每个 SV 的温度、电流和电压。我们进行了一系列测试，以产生 SV 的重复故障。SV 的故障似乎是由于过热和螺线管线圈中使用的绝缘层故障造成的。电流测试在 100 � C 环境温度、16.8 V 平均峰值电压、50% 占空比和 60 Hz 启动频率下进行。发生故障时，由于螺线管线圈短路，螺线管电阻会下降到明显较低的值。电阻下降会导致平均电流明显增加。绝缘层也会熔化并流出 SV。因此，环境温度和电流的增加被认为会导致 SV 可靠性下降。© 2008 Elsevier Ltd. 保留所有权利。
预测性数字孪生是提高任务准备度的基础
数字孪生是特定系统或物理资产不断发展的虚拟模型，它吸收资产生命周期数据，使数字孪生成为动态更新的资产特定模型，为智能自动化提供支持并推动关键决策。数字孪生对国家安全、工业发展和社会福祉等关键领域都有潜在影响。如果能够可靠地预测，数字孪生可以彻底改变依赖于复杂系统状态动态变化估计的关键决策过程。本文说明了预测性数字孪生（将数据驱动学习与基于预测物理的建模相结合）如何有助于提高任务准备度。数字孪生在数学上表示为概率图形模型，其中状态、控制、观测、感兴趣的数量和奖励等关键元素被建模为随机变量。图形模型表示这些不同元素之间的关系，以及它们随时间的演变和不确定性。该公式说明了无人机 (UAV) 结构数字孪生的开发。数字孪生结合了高保真结构有限元模型、计算效率高的降阶模型以及机载结构传感器生成的观测数据。一个示例展示了当无人机在飞行过程中经历结构退化时数字孪生如何更新，然后用于最佳地重新规划任务轨迹。
用于智能运营规划和...的数字孪生方法
数字孪生范式旨在融合从传感器数据、物理模型和正在使用的机械部件的操作数据中获得的信息，以便就部件的健康管理和操作做出明智的决策。在本文中，我们讨论了一种基于数字孪生的机械系统操作规划方法，以实现：a）具有成本效益的维护计划，以及b）系统的弹性运行。由于机械系统的属性及其运行参数、负载和环境本质上是随机的，我们的方法包括概率损伤诊断、概率损伤预测和不确定性下的系统优化。作为一个说明性示例，我们考虑金属部件中的疲劳裂纹扩展问题。我们讨论了一种基于超声导波的概率裂纹诊断框架，该框架可以处理诊断过程中的随机和认知不确定性。我们建立了一个高保真有限元模型来模拟压电效应和超声导波传播。我们使用对物理孪生进行诊断实验获得的测试数据来校准诊断模型中的误差。我们使用修正后的诊断模型对裂纹扩展进行贝叶斯诊断，考虑到被测量噪声破坏的数据，并融合来自多个传感器的信息。我们建立了一个基于有限元的高保真单轴裂纹扩展模型
ABAQUS 用户大会 (2002 年 5 月) 论文提交指南
摘要：复合材料层压板在制造和应用过程中产生的缺陷对复合材料结构的性能有很大影响。这些不良缺陷对静态和疲劳力学行为的影响在可靠性和可持续性评估中非常重要。从计算机断层扫描 (CT) 扫描到多尺度建模，开发了一种综合方法来评估主要缺陷，包括空隙和层板波纹。基于 CT 扫描结果，可以定量捕获空隙和层板波纹。可以使用表示体积元 (RVE) 模型和微观统计模型来分析这些缺陷，并使用可能性不确定性模型将它们对材料特性 (刚度、强度和断裂韧性) 的影响纳入宏观尺度模型。可以通过图像处理方法提取层板波纹信息，并在具有弯曲层板界面的有限元模型中明确描述它。可以使用自动网格生成方法，根据应力分析将粘结元素选择性地插入到关键界面中。利用混合规则考虑了孔洞和层板波纹对复合材料板层体积分数的影响。利用四点弯曲下的L形梁试验数据验证了综合方法的有效性。
![arxiv：2501.10089v1 [cs.cv] 2025年1月17日](/simg/g:\will\search\icon\source\7\741beda39614c3a573d37b99ccd8947f62d2e5fa.webp)
arxiv：2501.10089v1 [cs.cv] 2025年1月17日
摘要：本文研究了新颖的分类器集合技术，用于应用于图像分类的各种深层神经网络的不确定性校准。我们评估了准确性和校准指标，重点介绍了校准误差（ECE）和最大校准误差（MCE）。我们的工作比较了构建简单而高效的分类器合奏的不同方法，包括多数投票和几种基于元模型的方法。我们的评估表明，尽管用于图像分类的最新深层神经网络在标准数据集上具有很高的精度，但它们经常遭受重大校准误差。基本的合奏技术（例如多数投票）提供了适度的改进，而基于元模型的电源始终降低所有体系结构中的ECE和MCE。值得注意的是，我们比较的元模型表现出最大的校准改进，对准确性的影响最小。此外，具有元模型的分类器合奏在校准的情况下优于传统模型集合，同时需要较少的参数。与传统的事后校准方法相比，我们的方法消除了对单独的校准数据集的需求。这些发现强调了我们提出的基于元模型的分类器集合的潜力，作为一种有效的有效方法来证明模型校准，从而有助于更可靠的深度学习系统。