XiaoMi-AI文件搜索系统
World File Search System性能预测
使用基于变压器的分子表示模型改善电解质公式的性能预测
开发高效且高性能的电解质对于推进能量存储技术，尤其是在电池中至关重要。预测电池电解质的性能依赖于各个成分之间的复杂相互作用。因此，一种熟练地捕获这些关系并形成配方的强大表示的策略对于与机器学习模型集成以准确预先属性至关重要。在本文中，我们引入了一种新型方法，利用基于变压器的分子表示模型有效地捕获电解质配方的表示。在两个电池属性预测任务上评估了所提出的方法的性能，与ART方法相比，结果表现出较高的性能。
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）。
基于人工智能的工业环境中超可靠低延迟服务性能预测
摘要 — 本文探讨了人工智能 (AI) 技术在工业物联网 (IIoT) 网络性能预测中的应用。在工业环境中，5G 超可靠低延迟通信 (URLLC) 旨在为具有非常严格延迟要求的关键服务提供服务，例如涉及协作机器人的服务。即使灵活的 5G 新无线电 (NR) 设计能够实现目标 IIoT 性能，也需要为 URLLC 提供和保留必要的频谱资源。因此，需要一种服务质量 (QoS) 预测方案来预测性能下降并采取必要的措施，例如网络资源配置或应用程序适配，例如进入适配模式。我们探索了用于工业环境中 QoS 预测的 AI 算法的设计，并比较了不同的回归和分类工具，包括神经网络 (NN) 和 K 最近邻 (K-NN)。我们探索基于信号与干扰和噪声比 (SINR) 的预测，或仅基于机器人在工厂内的位置的预测。由于延迟降低事件通常很少发生，我们观察到训练数据高度不平衡，导致预测准确率低。我们展示了如何通过重要性抽样技术和修改后的检测阈值（我们称之为 M-KNN 方案）来提高预测性能。
对电池电池性能预测和电动汽车管理的常用机器学习方法的比较分析
摘要：锂离子电池（LIB）在电动汽车（EV）中的重要作用强调了它们在能量密度，轻巧和环境可持续性方面的优势。尽管存在障碍，例如成本，安全问题和回收挑战，但在电动汽车的普及方面至关重要。电动汽车中LIB的准确预测和管理至关重要，并且已经探索了基于机器学习的方法，以估算诸如电荷状态（SOC），健康状况（SOH）和权力状态（SOP）之类的参数。已采用各种机器学习技术，包括支持向量机，决策树和深度学习，用于预测LIB国家。本研究提出了一种比较分析的方法，重点是经典和深度学习方法，并讨论了LSTM（长期短期记忆）和BI-LSTM（双向长期短期记忆）方法的增强。评估指标（例如MSE，MAE，RMSE和R平方）用于评估所提出的方法的性能。该研究旨在通过预测LIB的性能来促进电动汽车行业的技术进步。概述了其余研究的结构，涵盖了材料和方法，LIB数据准备，分析，机器学习模型的建议，评估和结论性评论，并提出了未来研究的建议。
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。
再生混凝土力学性能预测与灵敏度分析的人工智能算法综述
使用从拆除废物中产生的再生骨料来生产混凝土是减少建筑环境对环境影响的一种有希望的选择。然而，预测再生骨料混凝土的硬化性能是其在建筑领域大规模部署的主要障碍之一。由于传统的经验方法对于预测新的再生骨料配方的性能不太可靠，近年来，人工智能方法已得到广泛发展，以实现这一目标。在本文中，我们对预测再生骨料混凝土的机械性能和进行敏感性分析的人工智能 (AI) 方法进行了广泛的文献综述。本研究对文献中发现的主要方法和算法的适用性、准确性和计算要求进行了详尽的描述、检查和讨论。此外，还强调了各种算法的优点和缺点。人工智能算法已在各种预测应用中取得了成功，并且准确率很高。虽然这些算法是用于估计再生骨料混凝土混合物成分和机械性能的强大预测工具，但它们的性能高度依赖于数据结构和超参数选择。这项研究可以帮助工程师和研究人员更好地决策使用人工智能算法进行机械性能预测和/或优化再生骨料混凝土的配方。
压力驱动的聚合物膜性能预测，新膜无量纲数和有效膜设计的考虑，选择
对纯化学品，石油和药物等行业中聚合膜的需求强调了优化有机分离系统的需求。这涉及提高性能，寿命和成本效率，同时解决化学和机械不稳定性。这里开发了一个模型，该模型与膜性能相关联，该模型由物种I的渗透溶质浓度（CPI）指示，与在跨膜压力（δP）或压缩应力下渗透或渗透期间的实时压缩年轻的模量（E）。较低的CPI值表示性能更好。模型集成了溶剂密度（ρI），膜（δM）的溶解度参数，溶质（ΔSO），溶剂（δSV）以及膜约束的程度（ϕ）。还认为膜肿胀（LS）和压实（LC）具有相关的泊松比（γ），为预测膜性能提供了全面的框架。关键特征是无量纲参数β，定义为LN（LS/LC），它描述了不同的操作方案（β<1，β= 1，β> 1）。此参数将膜的属性特性与机械性能联系起来。使用三个有机分离系统（a，b和c）证明了该模型的能力，该系统分别使用纳米过滤（NF）膜分别将异亮氨酸与DMF，甲醇和己烷溶液分别分离，低，中等和高E值。跨膜压力范围为0.069至5.52 MPa（10 - 800 psi），β<1。中度压实，导致中等的膜电阻和致密性，被证明是有益的。性能结果表明，系统B（中E）>系统A（低E）>系统C（高E）的趋势，与降低溶剂 - 溶质相互作用（ΔΔSOSV）和压实水平相关。CPI - β图显示了三个不同的斜率，对应于弹性变形，塑性变形和膜聚合物的致密化，从而引导
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。
请引用原文：Du, B., Lund, PD, & Wang, J. (2021). 结合 CFD 和人工神经网络技术预测全玻璃直真空管太阳能集热器的热性能。能源，220，文章 119713。https://doi.org/10.1016/j.energy.2020.119713
本文分析了一种新型全玻璃直通真空管集热器的热性能建模和性能预测。开发了管的数学模型，并将其纳入 CFD 软件进行数值性能模拟。为了提高集热器的热性能预测，考虑了不同的人工神经网络 (ANN) 模型。采用包含 200 多个样本的综合实验数据集对模型进行测试。将热模拟模型与 ANN 模型相结合，使用建模的集热器输出作为输入模型之一，显著提高了 ANN 模型的预测精度。与 ANN 模型相比，仅基于 CFD 模型的预测精度最差。卷积神经网络 (CNN) 模型被证明是预测精度最好的 ANN 模型。关键词：太阳能集热器；真空管；神经网络；多元线性回归；CFD；热性能；预测