XiaoMi-AI文件搜索系统
World File Search System密度模型
高精度卫星阻力模型（HASDM）
摘要用于预测低围角颗卫星轨迹的力模型中的主要误差源是大气中的阻力。上部大气密度模型不能充分说明中性密度的动态变化，从而导致预测的卫星位置存在明显的误差。空军空间Battlelab的高精度卫星阻力模型（HASDM）估计值（三天）动态变化的全球密度场。HASDM包括动态校准气氛（DCA）算法，该算法解决了实时大气密度的昼夜和半潮湿变化的相位，从观察到的拖力对低亲属的无效有效载荷和碎屑的拖曳作用来实时，而上层大气密度接近实时。密度校正表示为纬度，局部太阳时间和高度的函数。在HASDM中，时间序列过滤器预测DCA密度校正参数是预测的极紫外线（EUV）能量指数E 10.7的函数，并预测了地磁风暴指数A P，并且是最近（上27天）的密度校正参数的函数。E 10.7索引是由Solar2000模型生成的，Solar2000模型是太阳辐照的第一个完整频谱模型。将在操作上使用估计的密度和预测的密度字段，以显着提高所有低蠕虫卫星的预测轨迹的准确性。
emle-engine-a-a-flexible-electrostatic-machine-machine-earnning- ...
我们在这项工作中介绍了Emle-Engine软件包 - 用于混合机器学习潜力 /分子力学（ML / MM）动力学模拟的新机器学习嵌入方案的实施。该软件包是基于一种嵌入方案，该方案使用基于物理的电子密度模型和诱导模型，并具有少数可调参数，这些参数衍生在要嵌入的子系统的真空属性中。该方案完全独立于真空电位，仅需要机器学习子系统原子的位置以及分子力学环境的位置和部分电荷。这些特征允许现有QM/mm软件中使用EMLE引擎。我们证明实施的静电机学习嵌入方案（命名EMLE）在增强的采样分子动力学模拟中是稳定的。通过计算水中丙氨酸二肽的自由能表面，具有两个不同的ML真空电位和两个嵌入模型的ML选项，我们测试了EMLE的影响。与参考DFT/MM表面相比，EMLE嵌入显然优于基于固定部分电荷的MM。与MM嵌入相比，通过电子密度的构型依赖性和感应能量的包含，通过电子密度的构型依赖性和感应能量的包含来导致自由能表面平均和最大误差的系统降低。
分析高层大气对 SLATS 机载原子氧监测系统材料的影响
JAXA 提出了低地球轨道 (LEO) 卫星的创新理念。超低空试验卫星 (SLATS)，也称为 TSUBAME，是第一颗占据 300 公里以下超低轨道 (S-LEO) 或极低地球轨道 (VLEO) 的地球观测卫星。SLATS 的目的是 1) 测试卫星在超低空使用离子发动机对抗高大气阻力时保持高度的能力，2) 获取大气密度和原子氧 (AO) 数据，3) 测试光学地球观测。SLATS 于 2017 年 12 月 23 日成功发射。随后，SLATS 使用化学推进器、气动阻力和离子发动机推进，在 636 天内将高度控制在 271.7 公里。 SLATS 最终在 167.4 公里的轨道上维持了 7 天，并于 2019 年 10 月 1 日完成运行。所有 SLATS 和原子氧监测器 (AMO) 数据都是在这些操作期间获取的。AMO 是监测 AO 及其对航天器材料影响的任务传感器之一。来自 AMO 的数据有助于未来 S-LEO 卫星设计的材料选择。AMO 获得的数据很有价值，因为它们提供了有关 AO 通量及其对空间材料影响的大量知识。精确的大气密度模型和大气成分模型对于预测轨道上碎片的轨迹或再入是必不可少的。已经开发了 NRLMSISE-00、JB 2008 和 DTM2013 等大气模型，但很少有研究将这些模型与 LEO 中的实际大气环境进行比较。从 SLATS 获得的平均大气密度低于大气模型（NRLMSISE-00、JB 2008 和 DTM 2013）预测的值。了解模型的准确性将有助于未来 S-LEO 卫星的轨道控制以及 LEO 中碎片的轨道预测和控制。
emle-engine-a-a-flexible-electrostatic-machine-machine-earnning- ...
我们在这项工作中提出了EMLE-GENTENCEP（https://github.com/chemle/emle-engine） - 用于混合机器学习潜力/分子力学（ML/MM）动力学的新机器学习嵌入方案的实施。该软件包是基于一种嵌入方案，该方案使用基于物理的电子密度模型和诱导模型，并具有少数可调参数，这些参数衍生在要嵌入的子系统的真空属性中。该方案完全独立于真空电位，仅需要机器学习子系统原子的位置以及分子力学环境的位置和部分电荷。这些特征允许现有QM/mm软件中使用EMLE引擎。我们证明实施的静电机学习嵌入方案（命名EMLE）在增强的采样分子动力学模拟中是稳定的。通过计算水中丙氨酸二肽的自由能表面，具有两个不同的ML真空电位和三个嵌入模型的ML选项，我们测试了EMLE的性能。与参考DFT/MM表面相比，EMLE嵌入显然优于基于固定部分电荷的MM。与MM嵌入相比，EMLE模型引入的电子密度的配置依赖性以及EMLE模型引入的感应能量的包含导致自由能表面的平均误差的系统降低。通过在实用的ML/MM模拟中启用EMLE嵌入的使用，EMLE-Enline将使能够准确建模系统和过程，这些系统和过程在ML子系统和/或交互环境的电荷分布中具有显着变化。
估算森林生物量并识别低强度采伐...
本研究的目的是利用机载激光雷达数据估算巴西安蒂玛利国家森林 (FEA) 1000 公顷热带森林的地上生物量并确定选择性采伐干扰的区域。研究区域由三个管理单位组成，其中两个单位未砍伐，而第三个单位的选择性采伐强度较低（约 10-15 立方米/公顷或总体积的 5-8%）。对 50 个 0.25 公顷地面植物进行标准随机抽样测量，并用于构建基于激光雷达的地上生物量 (AGB) 回归模型。使用激光雷达模型辅助方法估算已砍伐和未砍伐单位的 AGB（使用合成和模型辅助估算器）。这些预测使用了两个激光雷达解释变量，以 50 mx 50 m 的空间分辨率计算：1) 所有地面以上返回物的第一个四分位数高度 (P25)；2) 所有返回物地面以上高度的方差 (VAR)。模型辅助 AGB 估计量 (总计 231,589 Mg±5.477 SE；平均值 231.6 Mg ha-1±SS SE；±2.4%) 比仅针对样地的简单随机样本估计量 (总计 230,872 Mg±10.477 SE：平均值 230.9 Mg ha-1±10.5 SE；±4.5%) 更精确。使用综合估算法获得的总体和平均 AGB 估值（总体 231,694 毫克，平均 231.7 毫克/公顷）几乎与使用模型辅助估算法获得的估值相等。在分析的第二个部分，还以 1 米 x 1 米的分辨率计算了激光雷达指标，以确定选择性采伐管理单位内受伐木活动影响的区域。在 GIS 中使用高分辨率冠层相对密度模型 (RDM) 来识别和描绘道路、滑道、登陆点和采伐树隙。根据 RDM 确定的选择性采伐影响的面积为 58.4 公顷，占总管理单位的 15.4%。使用这两种空间分辨率的激光雷达分析，可以识别选择性采伐区域中 AGB 的差异，这些区域具有相对较高的残留大乔木冠层覆盖率。在选择性砍伐管理单元中，受影响区域的平均 AGB 明显低于未受干扰区域 (p = 0.01)。由 Elsevier Inc. 出版。
确定...
西里西亚技术大学电气工程学院（1），西里西亚技术大学，电动驱动器和机器人技术系（2），orcid：1。0000-0002-6185-7935; 2。无，3。0000-0002-2508-1893，4。0000-0002-4279-0472 doi：10.15199/48.2024.10.05确定高温超导体磁带1G摘要中临界电流和C的角度依赖性。本文介绍了第一代高温率超导体磁带（HTS）中临界电流的角度依赖性的理论和角度依赖性。研究重点是分析磁场值和方向对临界电流的影响。这项工作还描述了使用Halbach配置中的Neododmium Magnets进行特殊设计的测试台的构建和操作，该磁铁可实现HTS磁带的准确测量和表征。研究结果确认了符合KIM模型，并允许开发关键电流密度模型，该模型可用于进一步的计算机模拟。摘要。本文介绍了第一代临界电流的角度依赖性的疗法和测量角度依赖性。研究着重于磁场对临界电流的价值和方向的影响。本文还描述了使用Halbach配置中使用neododmium磁铁设计的特殊设计站的构建和操作，该测试站允许对HTS磁带进行精确的措施和表征。结果证实了KIM模型的一致性，并有助于开发关键的当前Delsity模型，该模型可用于进一步的计算机模拟。（在高体质超导胶带中确定临界电流IC的角度依赖性1G）关键字：临界电流，高温超导体磁带，bisccco，anisotropia。关键字：临界电流，高电流超导胶带，Biscco，各向异性。高温入院超导录像带（HTS）用于许多电力行业应用，例如变压器，电力限制器和电缆[1-2]。设计这些设备中的每一个都需要了解外部因素对HTS磁带参数的影响。尤其涉及临界场的影响，例如温度-T c，磁场-b c和临界电流密度-JC。使用HTS磁带设计超导体设备的关键参数是确定适当的工作点。这是由于可能在许多限制的同时最大程度地使用超导材料。对增加设备功率密度的可能性的限制之一是临界电流的值以及HTS磁带相对于外场线的位置的影响。这是由于所有设备在某些条件下运行的事实，并且有必要考虑到您自己的领域与运输电流流有关的影响，而且还要考虑到所有外部场。临界电流的值取决于磁感应的值（B）和相对于HTS胶带的磁场力线的方向。您可以同时使用Kim（1）和各向异性磁铁（2）Magneto模型来确定这些依赖性[3-4]。