XiaoMi-AI文件搜索系统
World File Search System声学的
量子声学的腔增强平台
钢铁行业需要大大减少温室气体（GHG）的排放，因为它被认为是全球温室气体排放的主要工业贡献者之一。由于CO和CO 2以高浓度出现在钢铁磨机气体中，因此可能选择的一种是利用CO和CO 2来生产增值化学品。遵循此目标，开发了一种碳捕获和利用（CCU）技术，将CO和CO 2从钢厂的爆炸炉气（BFG）转换为多元醇的构建块。然后使用这些多元醇生产聚氨酯（PUR），用于制造涂料和刚性泡沫以用于绝缘板。用于评估和比较该新型CCU系统与现有钢和多元醇系统的生命周期环境影响，前Aante生命周期评估（LCA）。将CCU系统的三种可能方案与现有钢和多元醇系统进行了比较，该系统通过执行LCA和识别热点进行评估。与现有技术相比，CCU技术的所有三种情况均表现出改善的环境性能，尽管碳足迹最大减少了约10％。用于生产CCU多元醇的能量和化学物质被确定为所有三种情况生命周期影响的主要热点。
增材制造中打印质量预测的光谱特征分析：基于声学的方法
摘要：增材制造 (AM) 工艺中的质量预测至关重要，特别是在航空航天、生物医学和汽车等高风险制造业。声学传感器已成为一种有价值的工具，可通过分析特征和提取独特特征来检测打印图案的变化。本研究重点关注熔融沉积成型 (FDM) 3D 打印样品立方体 (10 mm × 10 mm × 5 mm) 的声学数据流的收集、预处理和分析。以 10 秒为间隔提取不同层厚度的时域和频域特征。使用谐波-打击源分离 (HPSS) 方法对音频样本进行预处理，并使用 Librosa 模块对时间和频率特征进行分析。进行了特征重要性分析，并使用八种不同的分类器算法（K最近邻（KNN）、支持向量机（SVM）、高斯朴素贝叶斯（GNB）、决策树（DT）、逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGB）和轻梯度提升机（LightGBM））实施机器学习（ML）预测，以基于标记数据集对打印质量进行分类。使用具有不同层厚度的三维打印样品（代表两种打印质量水平）生成音频样本。从这些音频样本中提取的频谱特征作为监督ML算法的输入变量，以预测打印质量。调查显示，频谱平坦度、频谱质心、功率谱密度和RMS能量的平均值是最关键的声学特征。使用包括准确度分数、F-1分数、召回率、精确度和ROC / AUC在内的预测指标来评估模型。极端梯度提升算法脱颖而出，成为最佳模型，预测准确率为 91.3%，准确率为 88.8%，召回率为 92.9%，F-1 得分为 90.8%，AUC 为 96.3%。这项研究为使用熔融沉积模型进行基于声学的 3D 打印部件质量预测和控制奠定了基础，并可扩展到其他增材制造技术。
在体外评估癌细胞诱导的... 的极化 量子声学的腔增强平台 引用TSOY，N。（2024年11月7日）。新兴化学技术系统的生命周期评估：挑战和未来需求。取自HTTP 抗菌药物的定量药理学 引用Nahon，D.M.，Moerkens，R.，Aydogmus，H.，Lendemeijer，B.，Martínez-Silgado，A.标准化设计 答复Bader和Moshagen 综合电子健康系统对糖尿病自我管理支持和共享决策（Power2DM）的临床影响：一项随机对照试验
癌症的进展受到癌细胞和免疫细胞之间的串扰的强烈影响。免疫细胞可以根据环境中存在的信号具有促肿瘤和抗肿瘤功能。大多数实体瘤的免疫区室的很大一部分由肿瘤相关的巨噬细胞组成。尽管它们的丰度与许多实体瘤类型的预后不良有关，但癌细胞影响巨噬细胞表型和功能的分子机制在很大程度上是未知的。在本章中，我们提供了研究癌细胞对巨噬细胞影响的体外测定的详细描述。我们提供了从鼠骨髓和人类外周血获得巨噬细胞的方案，并使用来自癌细胞的条件培养基将这些巨噬细胞暴露于癌细胞衍生的分泌分子中。我们描述了评估癌细胞诱导的巨噬细胞极化的几种测定。该实验设置可用于获得分子见解，以了解癌细胞如何影响巨噬细胞。
Barbara Zaparoli Cunha、Christophe Droz、Abdelmalek Zine、Stéphane Foulard、Mohamed Ichchou。应用于结构动力学和振动声学的机器学习方法综述。 2022. hal-03563614v2
机器学习 (ML) 的使用已迅速扩展到多个领域，并在结构动力学和振动声学 (SD&V) 中得到了广泛的应用。在前所未有的数据可用性、算法进步和计算能力的推动下，ML 从数据中揭示见解的能力不断增强，增强了决策、不确定性处理、模式识别和实时评估。SD&V 中的三个主要应用利用了这些优势。在结构健康监测中，ML 检测和预测可实现安全操作和优化的维护计划。在主动噪声控制和主动振动控制中，ML 技术可利用系统识别和控制设计。最后，所谓的基于 ML 的替代模型为昂贵的模拟提供了快速替代方案，从而实现了稳健且优化的产品设计。尽管该领域有许多研究成果，但尚未对其进行审查和分析。因此，为了跟踪和了解这些领域的持续整合，本文对 SD&V 分析中的 ML 应用进行了调查，阐明了当前的实施状态和新兴机遇。针对这三个应用，确定了基于科学知识的主要方法、优势、局限性和建议。此外，本文还探讨了数字孪生和物理引导 ML 在克服当前挑战和推动未来研究进展方面的作用。因此，该调查概述了 SD&V 中应用 ML 的现状，并引导读者深入了解该领域的进展和前景。