XiaoMi-AI文件搜索系统
World File Search System平均速度
低速风洞流动诊断和基准...
摘要 德克萨斯 A&M 大学的低速闭环风洞用于研究各种流动类型产生的湍流混合。预期的实验范围从典型的“单位流”到更复杂的流动和几何组合。该设施最初位于匹兹堡大学，后来搬迁至德克萨斯 A&M 大学的热工水力学验证和确认 (THVV) 实验室。该风洞经过了大量改造和更新的诊断，重新引发了人们对流动质量评估的兴趣。这包括通过粒子图像测速 (PIV) 测量提供的风洞入口速度分布的全面映射。额外的温度和表压测量完成了系统能力的评估。这些初步诊断产生了计算流体动力学 (CFD) 模型验证所需的经验确定的边界条件和流体特性相关性。本文最后介绍了两种单元流类型，包括流过圆柱体的流动（具有三个不同的横截面）和在三个速度比下以横流方式流动的单个圆形射流。单元流可作为 THVV 模拟工作的初始基准。每个基准都列出了关键验证指标，包括集合平均速度、雷诺应力和本征正交分解 (POD) 特征向量。
R.Avaflow V4，一个多功能滑坡仿真框架
表1：对于最多三个阶段中的任何一个中的任何一个，x方向通量和源术语控制流动动力学。y方向上的术语以类似的方式提出。u x和u y = x和y方向的深度平均速度； UU VM和UV VM =虚拟质量贡献（Pudasaini and Mergili，2019年）； dt =分散术语（Pudasaini，2023）; g x = x方向重力的有效下坡分量； F D =变形系数（Pudasaini和Mergili，2024a）; k x = x方向地球压力系数； G Z +和G Z- =重力的有效斜率正常成分，包括不同的浮力效应（Pudasaini和110 Mergili，2019年）； G Z * =有效的重力斜率正常成分，包括浮力和曲率效应； C drag =阻力系数（Pudasaini and Mergili，2019年）； δ=基底摩擦角； c =内聚力； E V =通过剪切系数通过剪切系数损失（Pudasaini和Mergili，2024b）； φ=内部摩擦角； f ml =碎片数（Pudasaini等，2024）; ζ=湍流摩擦数； n =曼宁号码；和C AD =环境阻力系数。绿色表示输入参数，蓝色表示派生的参数。115
自动驾驶汽车的时间 - 最佳轨迹计划和跟踪
摘要：本文提出了一个用于自动驾驶汽车轨迹计划和跟踪的层次控制框架，以应对准确遵循高速，限制性操作的挑战。提出的时间优势轨迹计划和跟踪（TOTPT）框架利用层次控制结构，具有离线轨迹优化（TRO）模块和在线非线性模型预测性控制（NMPC）模块。TRO层使用直接搭档方法生成最小单圈时间轨迹，该方法优化了车辆的路径，速度和控制输入，以达到最快的圈速时间，同时尊重车辆动力学和轨道约束。NMPC层负责准确跟踪TRO实时生成的参考轨迹。NMPC还结合了一种预览算法，该算法利用预测的未来旅行距离来估算下一个时间步骤的最佳参考速度和曲率，从而改善了整体跟踪性能。在加泰罗尼亚电路上的仿真结果证明了该框架以平均速度为116 km/h准确地遵循时间优势的赛车的能力，最大侧向误差为0.32 m。 NMPC模块使用具有实时迭代（RTI）方案的ACADOS求解器来实现毫秒级计算时间，从而可以在自动驾驶汽车中实时实施它。
社会地质学 - NGU
NGU 于 2012 年 7 月至 8 月在 Finnsnes 地区进行了航空地球物理勘测。本报告描述并记录了记录数据集的获取、处理和可视化。此处报告的地球物理勘测结果为 2715 线公里。Geotech Ltd. Hummingbird 频域 EM 系统辅以光泵铯磁强计和 1024 通道 RSX-5 光谱仪用于数据采集。勘测飞行线间距为 200 米，线方向为 120° NW-SE，平均速度为 89 公里/小时。鸟的平均离地间隙为 55 米。使用 Geosoft Oasis Montaj 软件在 NGU 中处理收集的数据。使用标准微调平算法对原始总磁场数据进行日变化校正和调平。使用自动和手动调平程序对电磁数据进行过滤和调平。使用均匀半空间模型分别从五个频率的同相和正交数据计算视电阻率。对视电阻率数据集进行调平和过滤。使用国际原子能协会推荐的标准程序处理辐射数据。所有数据均以 50 m 的单元大小进行网格化，并以 1:50 000 的比例呈现为阴影浮雕图。关键词：地球物理学
计算机视觉系统的有效性和可靠性，以确定条形位移和速度
这项研究研究了基于视频的智能手机应用程序（VBA）的有效性和可靠性，以测量杠铃卧推，后蹲和硬拉中的位移和速度。九个受过训练的受试者（三个女性；六个男性；年龄：24.2±4.2岁；身高175.8±8.1 cm；体重87.2±18.2kg）完成了两个用于杠铃板凳，后蹲，后蹲和隔光度的测试重度课程。卧推，后蹲和硬拉完成了八次重复，重量为40kg，并以快速和缓慢的速度完成。杆位移和平均速度。通过Pearson的产品矩相关系数（R），类内相关系数（ICC）和Bland-Altman图，对VBA的有效性和可靠性进行了分析。位移数据显示出中度至几乎完美的相关性（r = 0.43- 0.94），并且中度至优异的可靠性（ICC = 0.67-0.98）和Bland-Altman图显示了很小的偏见（<2cm）。平均速度数据显示出很大至几乎完美的相关性（r = 0.67-0.95），并且良好至优异的可靠性（ICC = 0.79-0.94），而Bland-Altman揭示了很小的偏见（<0.06 m/s）。与MC的黄金标准测量相比，这项研究中检查的VBA既有效又可靠。这些结果提供了证据表明，在快速和较慢的运动速度下，VBA可以用于卧推，后蹲和硬拉的位移和平均速度的跟踪。
预测和消除加速稀疏训练中的冗余计算
深度神经网络 (DNN) 是图像、语音和文本处理的最新技术。为了解决训练时间长和能耗高的问题，自定义加速器可以利用稀疏性，即零值权重、激活和梯度。提出的稀疏卷积神经网络 (CNN) 加速器支持使用不超过一个动态稀疏卷积输入进行训练。在现有的加速器类别中，唯一支持双面动态稀疏性的是基于外积的加速器。然而，当将卷积映射到外积时，会发生与任何有效输出都不对应的乘法。这些冗余笛卡尔积 (RCP) 降低了能源效率和性能。我们观察到在稀疏训练中，高达 90% 的计算都是 RCP，它们是由 CNN 训练后向传递期间大矩阵的卷积产生的，用于更新权重。在本文中，我们设计了一种机制 ANT 来预测和消除 RCP，与外积加速器结合使用时可以实现更高效的稀疏训练。通过预测超过 90% 的 RCP，在使用 DenseNet- 121 [ 38 ]、ResNet18 [ 35 ]、VGG16 [ 73 ]、Wide ResNet (WRN) [ 85 ] 和 ResNet-50 [ 35 ] 的 90% 稀疏训练中，ANT 比类 SCNN 加速器 [67] 实现了 3.71 倍的几何平均速度提升，能耗降低了 4.40 倍，面积增加了 0.0017 平方毫米。我们将 ANT 扩展到稀疏矩阵乘法，以便同一个加速器可以预测稀疏全连接层、Transformer 和 RNN 中的 RCP。
为四肢瘫痪患者提供带有感应口内舌界面的轮椅控制
摘要 — 高位脊髓损伤大大降低了伤者的生活质量。各种系统试图以各种单模或多模设计来连接受伤后仍然完整或残留的能力，以补偿受到严重影响的活动能力。口内感应舌计算机接口 (ITCI) 旨在为计算机和辅助设备提供实时离散和比例控制，并满足四肢瘫痪患者的特殊要求。在一项短期培训研究中，向两名四肢瘫痪患者演示了 ITCI 对轮椅控制的操作。此外，两名健全人也参与了这项研究。对于每位参与者，通过报告沿车道的速度和撞到的障碍物数量，比较了使用 ITCI 驾驶 Permobil C500 的能力与使用操纵杆（一种情况下是口操纵杆）沿两条 39 米的不同车道驾驶轮椅的能力。车道由 90 0、360 0 和由线性段连接的复杂机动段组成。 ITCI 的特点是口含两个电感传感器垫、驱动电子设备和电池。口含器通过牙齿固定器固定在参与者口腔的上颚。舌头上附有一个类似穿刺器的激活装置。数据通过有线接口无线传输到控制轮椅的中央单元。在所有参与者中，使用 ITCI 驾驶时，A 或 B 车道的平均速度达到最大值 0.42 至 0.74 米/秒，相当于使用操纵杆驾驶时速度的 41% 至 71%。
从教育角度看雷诺水平和垂直试验台
在研究实验室和业余实验室中都可以找到构建不同系统原型的耐心和渴望。这种建设不会停止进步，有时是由于需要，有时是由于改进（Golnabi & Asadpour，2007；Li 等，2019；Khechekhouche 等，2019）。雷诺数的历史写在流体力学年鉴中（Rott，1990）。一项研究表明，流体粒子在管道中以层流的形式平行层行进，互不干扰。管道中流体的速度分布并不均匀。流体在外围场被管道压力破坏，流动速度比管道轴线慢。压力的降低与流体的平均速度成正比。流体的多层起泡并相互交换能量，就形成了湍流。非平稳运动是所产生流动类型的特征。此外，但仅在管道的外围区域，存在层流边界层。在大部分管道截面上，速度分布几乎恒定。压降等于层流压降（Fontane，2005；Brunetière，2010）。当雷诺数大于 3000 时，管道内的流动状态为湍流；虚构因素取决于雷诺数，也取决于相对粗糙度，当然还有其他因素。我们的手稿显示，雷诺垂直测试台（H 215）无法让大量学生正确地看到体验，这给教育实验室带来了真正的问题，另一方面，实验室设计的水平测试台可以让相同数量的学生清楚地看到实验的所有阶段。
单层石墨烯电极的分子连接中欧姆定律的分解
hm的定律，历史上有1个对电路至关重要的第一个数学关系，指出通过宏观材料的当前I与所施加的偏置电压V成正比。这是通过经验测量值的经验测量来支持的，这些电流和长度尺度在许多数量级上有所不同，并且绝大多数材料都具有。考虑到由于原子或离子在经典力学框架内的快速散射而导致的电子曲折运动中施加的电场引起的加速度，Drude Model 2成功地揭开了净电子漂移，平均速度与现场成比例，并因此是ohm ohm的第一个微观依据。在自由电子模型中考虑了费米统计数据，Sommerfeld 3能够对金属中的欧姆定律提供第一个量子机械依据。固体的量子理论将各种宏观固体的欧姆电导率与表征特定能带结构表征的带隙的（非）存在之间的差异。4取决于频带隙的存在和/或线性库比波响应理论5，6明确考虑实际带结构的明确考虑允许估计欧姆（也称为零偏置或线性电导率）g并提供微观材料为什么某些材料为导电者，某些半径和某些胰岛素是某些材料，某些材料是某些半径和某些岛化的。在1920年代，在量子力学的前夕，人们对欧姆定律产生了重新兴趣，欧姆定律被认为在原子量表上失败了。7电子在短距离上的运动是连贯的，与宏观材料中发生的不一致的电子碰撞形成了鲜明的对比，从而引起焦耳
在...
摘要 - 从农业到公共安全的各种应用程序的普遍采用，需要了解它们所创造的空气动力学干扰。本文介绍了一个计算轻量级模型，用于估算悬停在四四个下方的诱导流量的时间平均幅度。与依赖昂贵的计算流体动力学（CFD）模拟或无人机特异性耗时的经验测量的相关方法不同，我们的方法从湍流中利用经典理论。通过分析大型运动捕获系统中不同大小的无人机的16个小时的流量数据，我们首次表明，在车辆下方的2.5无人驾驶飞机示威后，所有无人机螺旋桨的合并流都被所有无人机螺旋桨的合并被用湍流的射流良好。使用新颖的归一化和缩放，我们在实验上识别模型参数，这些参数描述了一个统一的平均速度字段，低于不同大小的四肢。模型仅需要无人机的质量，螺旋桨尺寸和无人机尺寸进行计算，可以准确地描述了远距离在非常大的体积的远距离上，这是不切实际的，以模拟使用CFD。我们的模型提供了一种实用的工具，可确保在人类附近更安全操作，从而在多代理方案中优化传感器放置和无人机控制。我们通过设计一个控制器来证明后者，该控制器可以补偿另一台无人机的向下冲洗，从而导致高度下方的高度偏差四倍。视频：https：//youtu.be/-erfmxwtzps