XiaoMi-AI文件搜索系统
World File Search System加速老化
能量科学与技术 - IOPscience
10.1 简介 10-2 10.2 系统工程及其武器开发方法 10-3 10.2.1 简介 10-3 10.2.2 系统工程和弹药寿命管理 10-3 10.2.3 系统工程、故障模式和风险管理 10-4 10.2.4 武器的系统工程和螺旋式发展 10-12 10.3 智能全寿命管理 10-14 10.3.1 英国研究 10-14 10.3.2 全球研究 10-17 10.4 含能材料分析 10-21 10.4.1 加速老化和数据分析 10-21 10.4.2 寿命评估测试：考虑因素和进展 10-23 10.4.3 单轴、双轴和三轴机械测试 10-26 10.4.4裂纹扩展失效 10-29 10.4.5 本构材料模型数据 10-30 10.4.6 粘结试验 10-30 10.4.7 无损评估 10-31 10.5 建模 10-32 10.5.1 使用寿命预测建模 10-34 10.5.2 从头算或基于物理的建模 10-38 10.5.3 配套资产和套料 10-39 10.6 数字线程和孪生 10-42 10.7 结论 10-45 致谢 10-45 词汇表 10-46 参考文献 10-47
publikacja /出版条件对聚合物复合材料动态行为的影响，< / div>
摘要这项研究的目的是根据紫外线辐射和温度的形式确定环境因素对聚合物复合材料（PrepRegs）振幅频率行为的影响，基于热敏环氧树脂用高强度R-Glass纤维增强的框架工作。准备了两种具有不同纤维排列的复合材料。该系列的纤维以30°，45°和60°的角度排列在与中心层相关的对称和不对称方向下。复合材料经过调节，在中欧和东欧温带温暖的过渡气候中，在春季和夏季模拟了六个月的使用。为此目的使用了由Q-Lab Corporation制造的UV Quv/Spray/RP加速老化室，使用UV-A 340灯来模拟日光。此外，使用热冲击室T/60/V2 Weisstechnik对突然温度变化引起的不同载荷进行了同样的变化。使用Tiravib 50101电磁激发仪与LMS Scadias III控制器和测试结合使用的条件样品。实验室软件。以谐振区域的幅度 - 频率图的形式表明，测试的结果表明，由于调节性，这是某些变化，这是材料测试领域的新发展。结果阐明了环境条件对复合材料刚度特性的影响，在谐振频率下运行时会导致动态非线性。
使用协方差神经网络解释的大脑年龄预测
在计算神经科学中，人们对开发机器学习算法的兴趣越来越高，这些算法利用脑成像数据来为个体提供“脑时代”的估计。重要的是，由于不良健康状况，大脑年龄和年龄年龄之间的不一致可以捕获加速老化，因此可以反映出增加对神经系统疾病或认知障碍的脆弱性。然而，由于大多数现有的脑年龄预测算法缺乏透明度和方法上的理由，因此阻碍了大脑年龄对临床决策支持的广泛采用。在本文中，我们利用协方差神经网络（VNN）提出了使用皮质厚度特征为脑年龄预测的解释驱动和解剖学上的解释框架。Specifically, our brain age prediction framework extends beyond the coarse metric of brain age gap in Alzheimer's disease (AD) and we make two important observations: (i) VNNs can assign anatomical interpretability to elevated brain age gap in AD by identifying contributing brain regions, (ii) the interpretability offered by VNNs is contingent on their ability to exploit specific eigenvectors of the anatomical协方差矩阵。在一起，这些观察结果促进了对脑时代预测任务的可解释和解剖学上的观点。
储能杂志
电池储能系统 (BESS) 在主动网络管理 (ANM) 方案中作为灵活能源 (FER) 发挥着重要作用，它弥补了中压 (MV) 和低压 (LV) 配电网中非并发可再生能源 (RES) 发电和用电需求之间的差距。然而，锂离子电池储能系统 (Li-ion BESS) 容易老化，导致性能下降，特别是峰值功率输出和容量降低。当 BESS 控制器用于为配电（例如通过 ANM）或输电网络提供技术辅助服务（即灵活性服务）时，必须注意因老化而导致的电池特性变化。特别重要的是，BESS 的峰值功率变化有助于保护锂离子 BESS，通过出于安全原因限制其运行极限并从长远来看延长其使用寿命。本文首先设计了一种 ANM 方案架构，将锂离子 BESS 视为芬兰瓦萨现有智能电网试点项目 (Sundom Smart Grid, SSG) 中的 FER 之一。此外，锂离子 BESS 控制器设计为自适应的，在用于电网中的 ANM 操作时，包括其老化特性，即跟踪变化的峰值功率作为老化参数。利用在实验室中进行的加速老化测试收集的实验数据，计算了锂离子镍锰钴 (NMC) 化学电池的峰值功率能力。将通过现有 SSG 试点中的实时模拟研究，分析这种老化感知和自适应锂离子 BESS 控制器对电力系统运营商所需的灵活性服务提供的影响。
机器学习辅助识别具有不确定性的精确电池寿命模型
降阶电池寿命模型由各种老化模式的代数表达式组成，广泛用于将加速老化测试中的退化趋势推断到真实老化场景中。确定具有高精度和低不确定性的模型对于确保模型推断的可信度至关重要，但是，很难编写准确预测多元数据趋势的表达式；对文献中的循环退化模型的回顾揭示了各种各样的函数关系。在这里，使用机器学习辅助模型识别方法来拟合突出的 LFP-Gr 老化数据集中的退化，并通过自举重采样量化不确定性。本研究中确定的模型的平均绝对误差约为人类专家模型的一半。通过转换为状态方程形式并将预测结果与不同负载下的电池老化进行比较来验证模型。参数不确定性被带入储能系统模拟中，以估计老化模型不确定性对系统寿命的影响。这里使用的新模型识别方法将寿命预测不确定性降低了三倍以上（人类专家模型 10 年相对容量为 86% ± 5%，机器学习辅助模型为 88.5% ± 1.5%），从而可以更自信地估计储能系统的寿命。© 2022 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款分发（CC BY，http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地重复使用作品，前提是正确引用原始作品。[DOI：10.1149/1945-7111/ac86a8]
机器学习辅助识别具有不确定性的精确电池寿命型
降低的电池寿命模型由各种老化模式的代数表达式组成，被广泛用于外推降解趋势，从加速老化测试到现实世界中的老化场景。识别高准确性和低不确定性的模型对于确保模型外推可以可信至关重要，但是，很难构成准确预测多元数据趋势的表达式。对文献的循环退化模型的回顾揭示了各种功能关系。在这里，一种机器学习辅助模型识别方法用于在一个出色的LFP-gr衰老数据集中降级，并通过Bootstrap重新采样量化了不确定性。这项工作中确定的模型导致了人类专家模型的平均绝对误差的一半。模型通过转换为状态方程式并比较在不同负载下对细胞衰老的预测进行验证。参数不确定性被带入一个储能系统模拟中，以估计衰老模型不确定性对系统寿命的影响。此处使用的新模型识别方法可将人寿预测的不确定性降低3倍以上（人类杂货模型10年时的相对容量为86％±5％，机器学习辅助模型为88.5％±1.5％），赋予能力储存系统生命周期的更耐心估计的能力。©2022作者。由IOP Publishing Limited代表电化学学会出版。[doi：10.1149/1945-7111/ac86a8]这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。
可生物降解渔具 - Archimer
渔具通常由不可生物降解的材料制成，包括聚酰胺 (PA)。这些渔具一旦丢失在海洋中，将产生长期影响，包括海洋垃圾、微塑料的产生、化学物质的渗出，以及由于其耐用性而导致的长期幽灵捕捞。使用可生物降解的共聚酯材料，如聚丁二酸丁二醇酯-己二酸丁二醇酯-对苯二甲酸酯 (PBSAT) 和聚丁二酸丁二醇酯-己二酸丁二醇酯 (PBSA) 作为渔具材料，被认为是减少相关影响的潜在解决方案。海洋是一个复杂的环境，塑料材料可以发生多种降解路径，将各种因素分离可以帮助理解每个潜在因素的影响。本研究重点关注纯水水解现象对可生物降解共聚酯 PBSAT 和 PBSA 的影响，并与 PA 单丝在 40 ◦ C、60 ◦ C、70 ◦ C 和 80 ◦ C 下的加速老化进行比较。作为单一因素加速老化过程，可以预测在其他温度下机械强度随时间的损失，即 2 ◦ C、10 ◦ C、15 ◦ C、20 ◦ C 和 30 ◦ C。使用了不同的寿命终止标准。本研究得出结论，仅通过纯水解，使用可生物降解单丝代替 PA 可以大大缩短达到寿命终止标准的时间，但仍比预期的使用时间长。例如，在 2 ◦ C 时，PBSAT、PBSA 和 PA 分别需要大约 10 年、20 年和 1000 年才能失去其初始断裂应力的 50%。
引用 (APA) Yun, M., Yang, D., He, S., Cai, M., Xiao, J., Zhang, K., & Zhang, GQ (2022). MOSFET 电源故障定量评估方法
随着宽带隙 (WBG) 半导体的新兴发展，电力电子转换器的功率密度和效率不断提高，可能引起更多的开关振荡、电磁干扰噪声和额外的功率损耗，进一步增加器件故障的概率。因此，确定和量化在某些应用中使用 WBG 半导体组装的金属氧化物半导体场效应晶体管 (MOSFET) 的故障对于提高功率转换器的可靠性至关重要。本研究提出了一种基于 MOSFET 寄生参数的新型故障定量评估方法。根据二端口网络理论，MOSFET 等效于由独立的电感、电容和电阻串联组成的一些二阶 RLC 电路。然后，通过频域反射法识别与 MOSFET 物理故障相关的频域阻抗。采用加速老化和键合线切断实验来获得 MOSFET 器件的各种质量状态。结果表明，可以有效量化MOSFET的质量水平及其键合线剥离次数。通常代表MOSFET质量的漏源导通电阻（R DS(on) ）在质量退化过程中与漏源寄生电阻（RD + RS ）呈现正线性函数关系。这一发现与理论上建立的R DS (on)和RD + RS之间的相关性相符。同时，源极寄生电感（LS ）随键合线故障的严重程度而增加，即使是轻微的故障也表现出很高的灵敏度。所提出的方法是一种有效的无需通电处理的功率半导体器件质量筛选技术，可有效避免结温和测试条件（电流和电压）对测试结果的影响，并且不需要设计额外的测试电路。我们在该方法中使用的测试频率范围为10 – 300 MHz，在一定程度上适合为高频WBG功率器件制造提供在线质量监控技术。
超小碳纤维电极记录部位优化及提高体内慢性记录产量
摘要 目的。碳纤维电极可以实现更好的长期脑植入，最大限度地减少硅基电极常见的组织反应。小直径的纤维可以实现高通道数的脑机接口，能够重现灵巧的动作。过去的碳纤维电极既表现出高保真度的单个单元记录，又表现出紧邻记录点的健康神经元群。然而，由于以前未知的原因，长期植入大脑的碳纤维阵列的记录产量通常徘徊在 30% 左右。在本文中，我们研究了旨在提高记录产量和寿命的制造工艺改进。方法。我们测试了一种使用 532nm 激光与传统剪刀方法相比的新切割方法，以创建电极记录点。我们通过阻抗测量和体内阵列记录产量验证了改进记录点的有效性。此外，我们还测试了可能更持久的 PEDOT:pTS 涂层替代品，包括 PtIr 和氧等离子蚀刻。通过加速浸泡测试和急性记录对新涂层进行了评估。主要结果。我们发现，激光产生了一致、可持续的 257 ± 13.8 µ m 2 电极，其 1 kHz 阻抗低（PEDOT:pTS 为 19 ± 4 k Ω），光纤间差异小。研究发现，PEDOT:pTS 涂层的激光切割光纤在急性（97% > 100 µ V pp，N = 34 根光纤）和慢性（84% > 100 µ V pp，第 7 天；71% > 100 µ V pp，第 63 天，N = 45 根光纤）设置下均具有高记录产量。激光切割记录部位是 PtIr 涂层和氧等离子蚀刻的良好平台，在加速浸泡测试中与 PEDOT:pTS 相比，它减缓了 1 kHz 阻抗的增加。意义。我们发现激光切割的碳纤维具有高记录产量，可以在体内维持两个多月，并且替代涂层在加速老化测试中的表现优于 PEDOT:pTS。这项工作提供了证据，支持碳纤维阵列作为高密度、临床可行的脑机接口的可行方法。
ACM 参考格式：Juan-David Guerrero-Balaguera、Josie E. Rodriguez Condia、Fernando F. dos Santos、Matteo Sonza Reorda 和 Paolo Rech。 2023.并且
随着 GPU 逐渐脱离其传统领域（游戏、多媒体和消费市场），其可靠性引起了人们的关注和质疑 [3]。目前，活跃的 GPU 研究旨在评估可靠性并确定可行的改进方法。大多数研究都强调 GPU 对瞬态故障的高度敏感性 [11、13、16、24、27、32、44、47、51]，这是由 GPU 拥有的大量可用资源和采用的先进半导体技术造成的。此外，GPU 的并行管理和控制单元已被证明尤为关键，因为它们的损坏会影响多个线程 [24、38]。GPU 的并行性在性能方面提供了无可置疑的优势，因此，它是该设备最脆弱的特性之一。 GPU 制造商已提供了有效的可靠性对策，例如改进存储单元设计[39]、添加纠错码[15]、用于故障测试的硬件结构[25]，以及提出软件校验和[21]或多线程冗余[49]。现有的大多数 GPU 可靠性研究都针对瞬态故障及其作为软件错误的影响，而永久性故障基本上未被探究。这是有道理的，因为在大多数应用中，GPU 的预期寿命不超过两年。然而，用于汽车、航空航天和军事应用的 GPU 预计可以使用很多年。此外，HPC 级 GPU 的典型工作条件，例如过载、高温、高频率运行和技术节点缩小，都会加速老化[23]，甚至会使设备暴露于地面辐射引起的永久性故障[20]。延长的使用时间和过早的老化突然引发了人们对 GPU 及其应用程序在出现永久性故障时如何表现的疑问。至关重要的是，只有少数初步研究针对 GPU 中的永久性故障 [ 17 ， 26 ， 46 ]，而没有一项研究关注并行性管理单元。在本文中，我们旨在通过提出一种方法来针对一个完全未探索的方面显著提高对 GPU 可靠性的理解：负责并行性管理的 GPU 电路中永久性故障的影响。我们决定专注于调度器、提取和解码器单元，因为 (a) 它们是主要针对并行操作进行优化的特殊 GPU 资源，(b) 影响它们的永久性故障将对代码执行产生不小的影响，(c) 它们无法轻易通过纠错码或硬件冗余进行保护，(d) 它们很可能