XiaoMi-AI文件搜索系统
World File Search System性能预测
Dell PowerScale：使用人工智能进行 IT 运营 (AIOps) 的关键性能预测
当今，构建 IT 基础架构的挑战性从未如此之大。许多终端用户工作负载（例如半导体设计、自动驾驶开发以及生命科学和医疗保健）每天都在变得越来越复杂。这种复杂性带来了对 IT 的需求。另一个复杂因素是数据足迹也在增长，通常是呈指数级增长。难怪 IT 管理员难以保持一致的基础架构性能，因为恶意应用程序（和用户）有时会使基础架构超载，从而导致整个组织的性能问题。虽然有可用于监控性能的工具，但这些工具缺乏领域知识（它们是千篇一律的），因此主要用于在问题发生后向管理员发出警报。理想情况下，IT 管理员希望能够根据其特定的工作负载组合来预测何时会出现性能挑战，并有足够的时间完全避免它们。
利用人工智能更接近实验级材料性能预测
虽然实验和 DFT 计算一直是了解晶体材料化学和物理特性的主要手段，但实验成本高昂，DFT 计算耗时长，且与实验结果存在很大差异。目前，基于 DFT 计算的预测模型为进一步进行 DFT 计算和实验的材料候选物提供了一种快速筛选方法；然而，此类模型继承了基于 DFT 的训练数据的巨大差异。在这里，我们展示了如何将 Al 与 DFT 结合使用，通过专注于预测“给定材料结构和成分的材料形成能”这一关键材料科学任务，比 DFT 本身更准确地计算材料特性。在包含 137 个条目的实验保留测试集上，Al 可以根据材料结构和成分预测形成能，平均绝对误差 (MAE) 为 0.064 eV/atom；将其与 DFT 计算进行比较，我们首次发现 Al 在同一任务上的表现显著优于 DFT 计算（差异 > 0.076 eV/atom）。
基于历史趋势和化学的电池密钥性能预测
• Li-Metal promising due to high energy density, low pack knockdown factor • No history at these sizes to project • Li-ion Silicon viewed as natural evolution of the Li-ion battery • Projections based on max state-of-art value provided in the year • Li-S is under consideration by EAP, however only low C rates have been achieved • Looking for trends in individual chemistry (“S-Curve”), gathering info about theoretical max
用于圆柱形电池设计和性能预测的机器学习软件
本报告是由美国政府某个机构资助的工作报告。美国政府及其任何机构、巴特尔纪念研究所或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，或承担任何法律责任或义务，或保证其使用不会侵犯私有权利。本文中对任何特定商业产品、流程或服务的商品名、商标、制造商或其他方面的引用并不一定构成或暗示美国政府或其任何机构或巴特尔纪念研究所对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
基于人工智能的混凝土性能预测进展
收到日期 2021年7月24日，接受日期 2021年8月12日 doi:10.3151/jact.19.924 摘要 人工智能技术具有超高维非线性计算能力、智能综合分析判断功能和自学习知识储备表达功能，与经典统计方法生成的经验公式相比，可以释放有形构件与性能指标之间高维非线性关系的潜力。本文总结了用于预测混凝土性能的人工智能算法类型，全面梳理了人工智能技术在预测混凝土力学性能、工作性能和耐久性方面的研究进展，对比分析了算法选择、样本数据和模型构建对混凝土抗压预测系统的影响。分析表明，人工智能技术在预测混凝土性能的测量精度上比常规统计方法具有明显优势，应采用多种算法对模型预测结果进行交叉验证。对于微小数据集，采用支持向量机；对于需要特征优化或离散指数预测的算法模型，应采用决策树进化技术；对于不同的挑战，可采用人工神经网络；为了改进预测模型，提高预测精度，提出了优化特征、集成算法、超参数优化、扩大样本数据集、丰富数据源、数据预处理等措施。
基于脑的驾驶性能预测系统...
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
ERDC/GSL TR-18-1“通过全尺寸加速测试和实验室实验开发的 AM2 机场垫层性能预测关系”
AM2 机场垫系统被美国军方用于临时、快速建造的机场。由于连接系统的设计复杂，接头的疲劳行为也复杂，因此预测允许通过 AM2 设施的飞机数量具有挑战性。在此之前，用于预测 AM2 性能的主流方法是基于柔性路面的 CBR 设计程序，使用少量全尺寸测试部分，CBR 范围为 4% 到 10%，并模拟不再使用的飞机。本报告介绍了对安装在不稳定土壤和碎石路基上的 AM2 垫部分进行的九次全尺寸实验的结果，CBR 分别为 6%、10%、15%、25% 和 100%，并提供了改进的关系，用于预测 AM2 垫装置下方的路基变形以及在受到 F-15E 和 C-17 交通影响时相关的疲劳损坏。此外，还介绍了一种实验室装置和程序，用于评估 AM2 型接头的疲劳性能并将其性能与给定的现场条件联系起来，而无需进行全尺寸测试。这些关系适用于目前用于机场路面和垫层系统的设计和评估框架。
锂离子电池性能预测的结束
地址是 ifwang027@gmail.com。Tseng 博士是国立清华大学统计研究所教授。他的电子邮件地址是 sttseng@stat.nthu.edu.tw。Lindqvist 博士是挪威科技大学数学科学系教授。他的电子邮件地址是 bo.lindqvist@ntnu.no。Tsui 博士是香港城市大学系统工程与工程管理系教授。他的电子邮件地址是 kltsui@cityu.edu.hk。
燃气涡轮发动机性能预测与仿真...
引言 2-1 2.1 固定翼飞机应用的燃气涡轮发动机模拟 2-1 2.1.1 初步设计概要 2-3 2.1.1.1 燃气涡轮概念设计流程 2-4 2.1.1.2 任务发动机或循环选择 2-7 2.1.1.3 控制系统概念定义/评估 2-10 2.1.1.4 燃气涡轮循环设计方法 – 数值优化 2-13 2.1.2 设计和验证概要 2-16 2.1.2.1 技术风险评估 2-16 2.1.2.2 硬件在环 2-22 2.1.2.3 飞机模拟 2-25 2.1.2.4 安装对整台发动机的影响 2-29 2.1.2.5 统计分析 2-32 2.1.3 系统设计和开发概要 2-36 2.1.3.1 性能 2-37 2.1.3.2 可操作性 2-55 2.1.3.3 寿命评估和耐久性 2-60 2.1.3.4 恶劣天气 2-65 2.1.3.5 控制 2-67 2.1.4 认证后和在役支持概要 2-72 2.1.4.1 用户环境 2-73 2.1.4.2 发动机模型的需求和用户要求 2-74 2.1.4.3 发动机健康监测和故障诊断 2-75 2.1.5 固定翼应用的参考资料 2-91 2.2 旋翼飞机应用的燃气涡轮发动机模拟 2-93 2.2.1 历史 2-93
燃气涡轮发动机性能预测与仿真...
引言 2-1 2.1 固定翼飞机应用的燃气涡轮发动机模拟 2-1 2.1.1 初步设计概要 2-3 2.1.1.1 燃气涡轮概念设计流程 2-4 2.1.1.2 任务发动机或循环选择 2-7 2.1.1.3 控制系统概念定义/评估 2-10 2.1.1.4 燃气涡轮循环设计方法 – 数值优化 2-13 2.1.2 设计和验证概要 2-16 2.1.2.1 技术风险评估 2-16 2.1.2.2 硬件在环 2-22 2.1.2.3 飞机模拟 2-25 2.1.2.4 安装对整台发动机的影响 2-29 2.1.2.5 统计分析 2-32 2.1.3 系统设计和开发概要 2-36 2.1.3.1 性能 2-37 2.1.3.2 可操作性 2-55 2.1.3.3 寿命评估和耐久性 2-60 2.1.3.4 恶劣天气 2-65 2.1.3.5 控制 2-67 2.1.4 认证后和在役支持概要 2-72 2.1.4.1 用户环境 2-73 2.1.4.2 发动机模型的需求和用户要求 2-74 2.1.4.3 发动机健康监测和故障诊断 2-75 2.1.5 固定翼应用的参考资料 2-91 2.2 旋翼飞机应用的燃气涡轮发动机模拟 2-93 2.2.1 历史 2-93