XiaoMi-AI文件搜索系统
World File Search System平均宽度
使用机器学习从现场数据预测电动汽车能源
摘要 - 这项研究解决了准确预测电动汽车能源消耗（EV）的挑战，这对于减少范围焦虑和进步的充电和能量优化至关重要。尽管当前预测方法（包括经验，基于物理和数据驱动的模型）的局限性，但本文介绍了一种新颖的基于机器学习的预测框架。它整合了物理知识的功能，并将离线全球模型与特定于车辆的在线改编相结合，以提高预测准确性并评估不确定性。我们的框架经过来自现实世界中电动汽车车队的数据的广泛测试。虽然领先的全球模型，即分位数回归神经网络（QRNN）的平均误差为6.30％，但在线适应进一步降低至5.04％，两者都超过了现有模型的性能。此外，对于95％的预测间隔，在线改编的QRNN将覆盖范围提高到91.27％，并将预测间隔的平均宽度减少到0.51。这些结果证明了利用基于物理的特征和基于车辆的在线适应来预测EV能源消耗的有效性和效率。
基于围栏的岩石液压压裂的数值模拟和断裂网络的定量分析
摘要在这项研究中，基于普通的基于状态的periDyanics模拟了岩石断裂的传播，并通过实时跟踪新生成的裂缝的实时跟踪并施加压力来模拟断裂流体和分裂表面之间的相互作用。根据数字图像处理技术，Zhang-Suen稀薄算法应用于提取液压断裂网络的骨骼，并通过使用统计方法来计算液压分裂网络的定量方法来计算形态学参数。最后，研究了负载速率，原位应力条件和弹性模量的效果，研究了液压断裂传播的过程和断裂网络形态参数的演变。结果表明，当加载速率很小时，主断裂朝向较大的原位应力方向扩展，而断裂分支并不明显。增加负荷速率可以增加断裂的平均宽度和密度，促进断裂的开放程度和数量，增强断裂网络的复杂性并提高其渗透性。当水平和垂直原位应力相同时，主要骨折相交。随着垂直原位应力的增加，水平裂缝受到约束，主要断裂沿垂直方向传播，裂缝的总长度和密度增加。岩石质量弹性模量的增加可以减少断裂分支的传播并简化断裂网络。
预测，验证和适用性域
摘要：城市街是城市形式的重要组成部分，是城市中公共活动的主要媒介。城市街头空间的形态特征不仅具有人们的空间体验，而且还会影响物理环境的质量，例如风环境。许多学者使用抽象和简化的街道模型研究了具有不同形态特征的街道环境，发现了特定的形态特征和空气流量模式之间的某些关系。但是，由于简化模型与现实之间存在显着差异，研究人员试图开发适用于城市街道空间复杂特征的模型，目的是探索街道空间特征与气流特征之间的关系。这项研究探讨了一种使用一系列参数来描述街道的方法来量化城市街道的复杂空间特征，例如平均宽度，次要接口的比例和开放长度的比例。在南京中心具有不同空间特征的街道。在代表街道空间形态的参数和该地区风环境的仿真结果之间进行了比较，旨在评估这些参数值的有效性。结果表明，复杂的城市空间仍然可以通过参数化有效地表示，并确保我们对复杂街道空间特征的定量表示的有效性。结果可以作为城市设计和城市建设的参考。
孔隙率对弯曲疲劳强度的影响...
摘要 — 本研究探讨了孔隙率对采用电弧增材制造 (WAAM) 生产的超级双相不锈钢 (SDSS) 弯曲疲劳强度的影响。横截面分析显示，SDSS 壁的平均宽度为 5.8 毫米，比多孔 SDSS (SDSS P) 壁宽约 1 毫米，这归因于较低的打印速度和不同的保护气体。X 射线成像证实 SDSS 材料中没有孔隙，但显示 SDSS P 材料中存在大量均匀分布的孔隙，直径从 0.4 到 1.1 毫米不等。垂直方向的硬度测量显示两种材料的硬度水平一致，SDSS 的平均值为 312 HV，SDSS P 的平均值为 301 HV。这种均匀性表明，当孔隙率不是影响因素时，基材强度相似。然而，机械测试显示出显著差异：SDSS 的屈服强度 (YS) 比 SDSS P 高 15.4%（630 MPa 对 546 MPa），极限抗拉强度 (UTS) 为 819 MPa，而 SDSS P 为 697 MPa。最值得注意的是，SDSS 的伸长率为 37.4%，比 SDSS P 高出约 118.7%，表明由于孔隙率导致延展性显著降低。疲劳测试表明 SDSS 的疲劳极限为 377 MPa，明显高于 SDSS P 的 152 MPa 极限。发现孔隙的存在会急剧降低疲劳强度。断口分析表明，SDSS P 中的疲劳裂纹源自孔隙。总体而言，研究结果表明孔隙率显著降低了 WAAM 制造的 SDSS 的机械性能，使其不太适合需要高强度和延展性的应用。