XiaoMi-AI文件搜索系统
World File Search System实验数据
用速率常数的分布来解释的超级电容器的自我解雇
超级电容器容易出现自我释放，最常见于在开路条件下随时间降低电压降低。找到简单而通用的方法来提取自我隔离期间超级电容器中发生的过程的信息。当前的工作将拉伸指数函数拟合到文献中可用的实验数据，从而提取参数，从而允许人们探测超级电容器的内部过程。特别是，研究了与电荷持有时间，自排放前充电率和温度依赖性有关的实验数据。证明了如何通过具有与拟合参数相关的速率常数分布的动力学模型来理解拟合数据。因此，当前的工作提出了一种方法，该方法允许人们快速映射只有两个变量的自我放置超级电容器的内部过程，因此可能成为有用的工具。
目录 - 船舶结构委员会
目录 1.0 简介 1 2.0 背景 12 2.1 识别关键疲劳敏感细节 12 2.2 断裂行为类型 15 2.3 断裂力学分析 16 3.0 断裂试验 35 3.1 试样制作、残余应力和材料特性 35 3.2 带结构细节的工字梁弯曲 41 3.3 带加筋壳的箱梁弯曲 45 3.4 带孔和 CCT 拉伸试样 47 4.0 试验分析 98 4.1 PD6493 计算 100 4.2 扩展裂纹的塑性极限载荷计算 111 4.3 计算施加 J 的有限元分析 112 4.4 J 估算方案 115 4.5 通过 J-R 曲线分析预测裂纹扩展121 4.6 Landes 归一化方法 125 4.7 通过裂纹张开角预测裂纹扩展 129 5.0 延性断裂模型在船舶结构中的应用指南 180 5.1 钢材和填充金属的规格 180 5.2 断裂力学试验方法 183 5.3 推荐的延性断裂模型 185 6.0 结论和进一步研究的建议 191 附录 1：HSLA-80 和 EH-36 材料的选定 J-R 曲线 附录 2：工字梁实验的实验数据 附录 3：箱梁实验的实验数据 附录 4：Cope-Hole 实验的实验数据 附录 5：样品应力强度因子计算 附录 6：工字梁和箱梁试件的极限载荷预测
10.1038/s42004-022-00744-x Maleki, R.、Shams, SM、Chellehbari, YM、Rezvantalab, S.、Jahromi, AM、Asadnia, M.，... & Razmjou, A. (2022)。利用人工智能发现离子选择性膜的材料。Communications Chemistry，5，1-13。https://doi.org/10.1038/s42004-022-00744-x 本期刊文章发布于 Research Online。https://ro.ecu.edu.au/ecuworks2022-2026/1594
人们已经做出了重大尝试来提高离子选择性膜 (ISM) 的生产效率和降低价格，而传统方法存在局限性、实验成本高和计算耗时的缺点。消除实验限制的最佳方法之一是人工智能 (AI)。本综述讨论了人工智能在材料发现和 ISM 工程中的作用。人工智能可以通过数据分析最大限度地减少实验测试的需要，从而加速基于使用 ISM 模拟结果的模型的计算方法。与计算化学的结合使人工智能能够在输出模型中考虑原子特征，因为人工智能充当了实验数据和计算化学之间的桥梁，以开发可以使用实验数据和原子特性的模型。这种混合方法可用于离子提取膜的材料发现，以研究基于人工智能的材料发现的能力、挑战和未来前景，为 ISM 工程铺平道路。
宽温度范围统一未掺杂块状硅...
摘要 — 几十年来，对于从 4K 到室温以上的硅载流子，一直没有开发出统一的模型。本文提出了一个统一的未掺杂硅低场和高场迁移率模型，分别针对 8K 到 300K 和 430K 时<100>和<111>方向的电子以及 6K 到 430K 时<100>方向的空穴。研究发现，Canali 高场饱和模型足以拟合<111>实验数据，但不能拟合<100>数据，这是由于各向异性引起的平台期和负差速度。因此，使用了改进的 Farahmand 模型。为了允许在各向异性模拟中进行参数插值，还针对<111>方向校准了改进的 Farahmand 模型。然后使用该模型预测 4K 下未掺杂 Si 中电子和空穴的迁移率，当有可靠的实验数据可用于 TCAD 模型开发时，该迁移率可作为初始校准参数。
Fe掺杂的α-MNO2/RGO阴极材料，用于长寿命和高面积的锌离子电池
[（DNA）2 - AG 16 Cl 2] Q（q = 10）（图1）。10我们的先前理论工作提供了氯化物配体的证据，并首先了解了聚类的电子结构和光吸收10的特征，以及有关如何在DFT计算中处理这些系统在溶剂溶液中如何处理这些系统的基准，相对于溶剂效应，交换量的水平，交换相互作用的水平以及溶液中的内在电荷。11，我们在参考文献中发现。11，簇电荷对最高占用和最低的未占用分子轨道（HOMO-LUMO GAP）以及计算的UV-VIS吸收光谱之间的能量差距明显影响，然后可以直接与早期发布的实验数据进行比较。一个明确的结论是，电荷Q = 10 E给出了与实验数据和电子基态最大的Homo -Lumo间隙的绝对最佳匹配，反映了
我们的脑电波如何感知时间的流逝？在节奏表演任务中量化时间的神经相关性
3 设计 6 3.1 先前的工作. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.1.3 实验数据....................................................................................................................................................................................9 3.2 数据预处理....................................................................................................................................................................................................10 3.2.1 数据分离....................................................................................................................................................................................................11 3.2.2 数据分割....................................................................................................................................................11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ................................................................................................................................................................................................. 15 3.4 自回归模型.................................................................................................................................................................................... 15 3.4.1 通道间相关性.................................................................................................................................................................................... 15 3.4.2 通道自相关性.................................................................................................................................................................................... 16
电池热失控实验数据存储库
该数据库将出版物中的关键信息整合成一组简明的表格和图表，总结了实验数据并描述了电池本身。每个数据库条目对应一个出版物，包括来自多个实验的数据，按电池的充电状态和所受的滥用条件排序。
激光束在随机介质中的传播
5.0 简介 135 5.1 PDF 模型 136 5.1.1 对数正态 (LN) 模型 136 5.1.2 负指数 (NE) 模型 136 5.1.3 伽马-伽马 (GG) 模型 137 5.1.4 逆高斯伽马 (IGG) 模型 138 5.1.5 正态 (N) 模型 139 5.1.6 分数指数 (FE) 模型 139 5.1.7 指数威布尔 (EW) 模型 139 5.1.8 三参数威布尔 (W3) 模型 140 5.2 PDF 模型的数值比较：球面波 140 5.2.1 实验数据和计算机模拟数据 140 5.2.2 计算机模拟数据分析 146 5.2.3 大口径情况146 5.3 长距离传播的计算机模拟：高斯光束波 147 5.3.1 结果 148 5.3.2 总结 149 5.3.3 误码率数据分析 150 5.4 海洋环境中的实验数据：跟踪准直光束 150 5.4.1 结果 150 5.4.2 总结 151 5.5 PDF 模型的统计比较 152 5.5.1 统计测试 153 5.5.2 弱辐照度波动：质心跟踪实验数据 154 5.5.2.1 单像素孔径：D = 0.16 毫米 155 5.5.2.2 像素孔径：D = 4.57 毫米 156 5.5.2.3 像素孔径：D = 8.96 毫米 158 5.6 PDF 模型的数值比较：未跟踪的准直光束 159 5.6.1 PDF 模型对平均 BER 和衰落概率的影响 159 5.6.2 计算机模拟结果 160 5.7 准直高斯光束的室外测量 169
MNE2114：实验性可持续工程技术
该课程旨在为学生提供实验技能，并对各种可持续工程技术进行进一步的实践欣赏。作为基于实验的课程，该课程还将在数据收集中赋予基本技能，对实验数据的批判性分析对报告写作的良好实践。通过本课程，学生将通过实验实践来弥合理论知识。
GTAW过程中的焊接配置分类的机器学习方法
在本研究中，已经尝试使用机器学习（ML）方法将实验数据（ML）进行分类，以对几种焊接进行分类。在气钨电弧焊接过程（GTAW）过程中，已经开发了ML模型并将其馈送到几个传感器捕获的实验数据中。一方面，焊接参数（电压，电流，电线速度，焊接速度等）用于监视焊接过程中传递的控制能。另一方面，使用与图像处理算法结合的摄像机被用来捕获原位焊接池轮廓。还构建了一个数据库来存储，标签和订购所获得的信息。然后将此数据库用于ML模型的各种培训，验证和预测步骤。然后使用KNN分类算法对焊接配置进行分类，然后分析其效率（准确性，处理时间等）。表明，与ML结合使用的图像处理可以通过提取的特征来训练以预测焊接配置的分类。当前研究的最终观点是实现实时识别和修改焊接操作条件。