XiaoMi-AI文件搜索系统
World File Search System孪生
机械工程学士 III 学期
基础知识、机械行为、材料失效 晶体结构简介 – 配位数、原子填充因子、简单立方、BCC、FCC 和 HCP 结构、晶体缺陷 – 点、线、表面和体积缺陷、原子扩散：现象、菲克扩散定律；影响扩散的因素。机械行为：应力-应变图显示材料的延性和脆性行为、工程和真实应变、线性和非线性弹性行为和性能、塑性范围内的机械性能。刚度、屈服强度、偏移屈服强度、延展性、极限拉伸强度、韧性、滑移和孪生导致的单晶塑性变形、金属强化机制 断裂：I 型、II 型和 III 型、疲劳：疲劳载荷类型及示例、疲劳机制、疲劳性能、S-N 图、疲劳测试。蠕变：举例说明蠕变现象、蠕变的三个阶段、蠕变特性、应力松弛。断裂韧性的概念。
使用深度神经网络对阿尔茨海默病进行四向分类...
阿尔茨海默病 (AD) 是一种神经退行性疾病，会对包括海马体在内的多个大脑区域造成不可逆的损害，从而导致认知、功能和行为受损。早期诊断该疾病将减少患者及其家属的痛苦。为了实现这一目标，在本文中，我们提出了一种孪生卷积神经网络 (CNN) 架构，该架构采用三重态损失函数将输入的 MRI 图像表示为 k 维嵌入。我们使用预训练和非预训练的 CNN 将图像转换到嵌入空间。这些嵌入随后用于阿尔茨海默病的四向分类。使用 ADNI 和 OASIS 数据集测试了模型有效性，准确率分别为 91.83% 和 93.85%。此外，将获得的结果与文献中提出的类似方法进行了比较。
从人工智能角度看 DigitalTwin
数字孪生是信息物理系统 (CPS) 的一个关键概念：通过维护有关物理实体的相关信息集合，可以创建数字影子，可用于监控、诊断或优化等任务。大多数关于数字孪生的出版物都侧重于工程和面向过程的方面，例如孪生在其生命周期中的持续丰富 [30]、模拟场景 [28, 20] 或建模问题，例如最佳元级别 [29]、层次结构 [30] 或工程链 [20]。即使是少数明确关注人工智能 (AI) 和机器学习 (ML) 的出版物也未能将数字孪生的内容和功能与 AI/ML 方法联系起来。第 2 节回顾了证实这一印象的相关工作。从根本上讲，DigitalTwin 被视为一个信息洞，所有可用信息都被注入其中——希望在生命周期的某个后期点从 AI/ML 应用程序受益。另一方面，AI/ML 方法一直使用环境模型和领域知识。因此，DigitalTwin 概念和 AI/ML
数字孪生及其在未来电力系统中的应用 [版本 2
数字孪生这一术语最早由 Grieves 于 2002 年 5 月提出，是产品生命周期管理中的一个新概念。尽管它最初在 2003 年被称为镜像空间模型 6 ，但后来在 2005 年演变为信息镜像模型 7 ，并最终在 2011 年演变为数字孪生 8 。2012 年，美国国家航空航天局 (NASA) 重新审视数字孪生的概念。他们将数字孪生定义为一种多物理场、多尺度、概率、超保真模拟，它可以根据历史数据、实时传感器数据和物理模型 9 及时反映相应孪生的状态。2016 年，Grieves 10 将数字孪生定义为一组虚拟信息构造，它从微观原子层面到宏观几何层面全面描述潜在或实际的物理制造产品，并且在最佳情况下，从检查物理制造产品中获得的任何信息都可以从其数字孪生中获得。
好莱坞对人工智能的描绘
出现在 2001 年场景中的人工智能超级计算机 HAL 9000 是前往木星的发现一号宇宙飞船的机组人员之一。HAL 在航行过程中运行关键系统并控制宇宙飞船和飞行。正如电影中 BBC 的采访者介绍 HAL 时所说：“Hal 是飞船的大脑和中枢神经系统。”在采访中，当被问及此事时，HAL 几乎自夸地描述了自己的类型：“……9000 系列是有史以来最可靠的计算机。我们都是万无一失的，不会出错。”尽管如此声称，但随着旅程的继续，当 HAL 指出飞船上的一个故障无法通过地球上的孪生 HAL 9000 计算机进行验证时，机组人员中的人类宇航员开始质疑 HAL 的可靠性。得知 HAL 出了问题后，机组人员和机器之间最终陷入了紧张的对峙。但库布里克并未明确此次挫折是HAL发生故障，还是HAL正在执行另一项任务。HAL作为迄今为止最先进的计算机，是否出现了故障或暴露了其不为人知的秘密？
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
数字孪生：工程动力学应用中建模和仿真的最新未来方向
摘要 本文回顾了数字孪生在工程动力学应用领域的最新研究成果。重点关注动力学应用是因为：（i）它们提供了创建有效数字孪生的一些最具挑战性的方面，（ii）它们与重要的工业应用相关，例如发电和运输系统。首先讨论数字孪生的历史，并回顾相关文献；然后考虑合成数字孪生的过程，包括定义数字孪生的目的和目标。以风力涡轮机的资产管理阶段为例，以展示合成过程在实践中如何应用。为了说明在数字孪生构建中出现的建模问题，本文基于一个小型三层结构的物理孪生，进行了详细的案例研究。本案例研究展示了数字孪生的发展，重点介绍了 17 个关键过程，包括：系统识别、数据增强建模以及验证和确认。最后，讨论了一些开放的研究问题和技术挑战，包括：工作流程、关节、不确定性管理和信任量化。在作为本期特刊一部分的配套论文中，开发了 20 个数字孪生应用的数学框架，作者
学习数值模拟的相似性度量
我们提出了一种基于神经网络的方法，该方法可计算一个稳定且通用的度量（LSiM）来比较来自各种数值模拟源的数据。我们专注于标量时间相关的二维数据，这些数据通常来自基于运动和传输的偏微分方程（PDE）。我们的方法采用了一种由度量的数学性质驱动的孪生网络架构。我们利用带有 PDE 求解器的可控数据生成设置，在受控环境中从参考模拟中创建越来越不同的输出。我们学习到的度量的一个核心组成部分是一个专门的损失函数，它将关于单个数据样本之间相关性的知识引入训练过程。为了证明所提出的方法优于现有的向量空间度量和其他基于图像的学习到的度量，我们在大量测试数据上评估了不同的方法。此外，我们分析了可调节训练数据难度的泛化优势，并通过对三个真实数据集的评估证明了 LSiM 的稳健性。
GEMINA—由...管理的发电 - ARPA-E
GE Research – 纽约州尼斯卡尤纳 用于先进核反应堆的 AI 预测性维护数字孪生 - 5,412,810 美元 先进反应堆的设计必须能够与化石燃料发电厂在财务上具有竞争力，才能在未来能源市场站稳脚跟。GE Research 团队旨在通过从基于时间的预测性维护框架转向基于条件的预测性维护框架来降低运营和维护 (O&M) 成本，并使用 GE Hitachi 的 BWRX- 300 沸水反应堆作为参考设计。GE 将开发运行、健康和决策数字孪生，以实现对反应堆系统的持续监测、预警、诊断和预测。该团队将开发一个“Humble AI”框架——当出现算法无法识别的情况时，该框架默认为已知的安全操作模式——以确保系统地处理不确定性、数据和模型保证以及这些孪生的持续学习。
数据模型融合的通用框架
本报告汇编了六份独立报告，总体重点是定义海军领域数据模型融合的基本框架。我们从第 1 章开始，对数据模型融合的方法、差距和机会进行文献调查。接下来，我们在第 2 章中定义了数字孪生的统一理论，然后在第 3 章中描述了海军领域的数字孪生类型。在第 4 章中，我们讨论了数据持久性技术，这些技术可以存储孪生所需的几何模型、测量值和环境数据。在第 5 章中，我们将重点转回到数据模型融合，概述了可用于指导海军系统设计和运行的工具和技术。我们开发了方法来理解和管理数字海军工程在自主海军平台和系统的设计和运行方面的影响、风险和机遇。第 6 章旨在为海军研究工程师和科学家提供基于人工智能的决策支持方法、工具和技术的入门知识。最后，我们通过讨论技术转让、能力差距和进一步研究的机会来结束本报告。