XiaoMi-AI文件搜索系统
World File Search System性能预测
健康和体育领域的人工智能
人工智能 (AI) 已成为我们社会变革的力量，进入了机器人、金融服务、农业、医药、交通、国防等行业。在人类福祉的背景下，人工智能还进入了医疗保健、生活方式和精英运动领域，目标是预防、诊断、监测和开药。通过这个 BIP，我们旨在传播当前知识和未来方向，关于人工智能在维持普通人群健康生活方式、运动员表现优化和伤害预防方面的应用。在 BIP 中获得的能力将分为 4 个模块。人工智能简介模块包括人工智能的历史轨迹、数据分析和人工智能模型的基本知识以及生成式人工智能。人工智能：机遇与挑战模块解决了与道德、监管、教育、数字化转型和人工智能未来方向相关的关键问题。人工智能在健康领域的应用：研究与应用模块探讨了人工智能在健康领域的各种应用，包括可穿戴技术、运动处方、监测有临床状况风险的患者。体育中的人工智能：研究与应用模块专注于人工智能在体育环境中的应用，考虑运动分析、训练监控、性能预测和伤害预防的不同模型。
采用数字孪生来支持设计重用...
为了在市场上取得先发优势，制造商正努力开发满足广泛客户需求的创新产品。传统上，为了支持创新设计，模糊概念阶段长期以来一直受到启发式设计理念的支持。近年来，新的支持技术已经实现了基于现有数据的收集和重用的概念生成。现有数据可以从各种来源收集；例如，客户评论、历史数据，或通过研究现有产品或其他工业资产（如生产机器和工具）。最近，数字孪生 (DT) 的概念引起了广泛关注，作为构建物理资产的高保真数字副本并研究其形状、位置、姿态、状态和运动的一种手段。DT 的共同目标是支持可以支持性能预测和优化的系统行为的现实模型。然而，在概念阶段提供足够的支持时，现实模型变得沉重且成本高昂。虽然新兴的数据驱动设计方法可用于生成具有变更的设计，但在概念阶段缺乏对生成和评估解决方案的支持。本文提出了一个数字平台孪生 (DPT) 框架来填补这一空白。与单一的高保真数字表示相比，DPT 建立在将多个高保真数字孪生抽象为
通过约束航空结构粒子群优化进行飞机螺旋桨设计
摘要：通过螺旋桨设计方法与粒子群优化 (PSO) 相结合，开发了一种降低螺旋桨驱动飞机能耗的航空结构算法。优化过程中考虑了多种螺旋桨参数，包括每个螺旋桨截面的翼型几何形状。螺旋桨性能预测工具采用收敛改进的叶片元素动量理论，该理论由从 XFOIL 和经过验证的 OpenFOAM 获得的翼型气动特性提供。根据实验 NACA 4 位数据估计失速角校正，并在出现收敛问题时使用。对气动数据进行校正以考虑压缩性、三维、粘性和雷诺数效应。根据实验数据拟合提出了旋转校正系数。采用基于欧拉-伯努利梁理论的结构模型，并根据有限元分析对其进行验证，同时讨论了离心力的影响。进行了一个案例研究，将弦长和螺距分布与涡流理论的最小损失分布进行了比较。使用印刷螺旋桨进行风洞试验，以得出整个程序的可行性以及 XFOIL 和 CFD 最佳螺旋桨之间的差异。最后，将最佳 CFD 螺旋桨与具有相同直径、螺距和运行条件的商用螺旋桨进行比较，显示出更高的推力和效率。
通过物理信息机器学习和 Shapley 加法解释预测定向能量沉积中的拉伸强度
在定向能量沉积 (DED) 中，局部材料微观结构和抗拉强度由零件上每个空间位置经历的热历史决定。虽然先前的研究已经调查了热历史对机械性能的影响，但仍然需要一种物理上可解释、简约且具有良好预测精度的抗拉强度预测模型。本文研究了一种基于 Shapley 加性解释 (SHAP) 模型解释的数据驱动预测模型来解决这一问题。首先，将从先前的实验工作中翻译出来的物理上有意义的热特征用作神经网络的输入，以进行抗拉性能预测。然后计算各个输入特征的 SHAP 值，以量化它们各自对抗拉性能预测的影响，并使用累积相对方差 (CRV) 度量降低模型复杂性。对实验获得的 Inconel 718 (IN718) 抗拉强度的预测表明，通过开发的方法量化的特征影响可以通过先前研究的结果来验证，从而证实了神经网络预测逻辑的物理可解释性。此外，基于CRV的模型复杂度降低表明，简约模型只需要不到10%的原始特征即可达到与先前文献报道相同的拉伸强度预测精度，从而证明了基于SHAP的特征降低方法在改进DED过程表征方面的有效性。
评估用于机械经验路面设计指南 (MEPDG) 校准和其他路面分析的 LTPP 气候数据
15. 补充说明 合同官员代表 (COR) 是 Larry Wiser。 16. 摘要 需要改进长期路面性能 (LTPP) 计划的气候数据，以支持当前和未来关于气候对路面材料、设计和性能的影响的研究。机械经验路面设计指南 (MEPDG) 的校准和增强只是这些新兴需求的一个例子。一种新兴的气候数据源，现代时代回顾性分析研究和应用 (MERRA)，由美国国家航空航天局 (NASA) 为其内部建模需求而开发，从 1979 年开始在相对细粒度的均匀网格上提供连续的每小时天气数据。MERRA 基于再分析模型，该模型将计算的模型场（例如大气温度）与在空间和时间上不规则分布的地面、海洋、大气和卫星观测相结合。 MERRA 数据的时间分辨率为每小时，空间分辨率为纬度 0.5 度 x 经度 0.67 度（中纬度约为 31.1 x 37.30 英里），覆盖全球。MERRA 数据与最佳地面观测数据进行了比较，无论是统计上还是对路面性能的影响方面，都与使用 MEPDG 预测的结果进行了比较。这些分析包括对 MEPDG 性能预测对基础变化的敏感性进行系统定量评估
基于谱动力学的想象语音和视觉意象的功能连接
摘要 — 脑机接口技术的最新进展表明，想象语音和视觉意象具有作为直观脑机接口通信的稳健范式的潜力。然而，这两个范式的内部动态及其内在特征尚未揭示。在本文中，我们研究了考虑不同频率范围的两个范式的功能连接。使用 16 名受试者进行十三类想象语音和视觉意象的数据集进行分析。在四个频率范围的七个皮质区域分析了想象语音和视觉意象的锁相值。我们将想象语音和视觉意象的功能连接与静息状态进行比较，以研究意象过程中的大脑变化。整个大脑区域的锁相值在想象语音和视觉意象期间都表现出显著下降。布罗卡区和韦尼克区以及听觉皮层主要表现出想象语音的显著下降，而前额叶皮层和听觉皮层则表现出视觉意象范式的显著下降。进一步研究大脑连接以及两种范式的解码性能可能作为性能预测因素发挥关键作用。关键词——脑电图；功能连接；想象语音；直观脑机接口；视觉意象
人体数字孪生和建模指南 - DTIC
1.1 定义数字孪生 工业革命和大规模生产的一个结果是产品的标准化。此过程具有许多优点，包括能够从单一设计创建许多产品副本，以及能够利用规模来降低总体产品成本。另一个优点是能够在系统运行和维护期间使用标准化部件来降低维护成本。虽然产品之间的差异在制造过程中受到控制，但它们的使用往往有所不同，从而增加了产品之间的差异。如果不考虑这些差异，差异会降低正确评估产品性能和计划维护周期的能力。此外，产品系列中的特定产品可以设计和制造成略有不同，以支持特定的任务集，从而进一步给这些产品的后勤维持带来压力。近年来，数字孪生技术的发展是为了解决因产品和环境差异而产生的问题（Tuegel 等人，2011 年）。数字孪生概念包括构建单个产品的数字表示或模型，以提高单个产品的维护和性能预测的准确性（Kobryn，2020 年）。因此，数字孪生被描述为由支持可执行模型的工程、操作和行为数据集合开发的组件、产品或系统的模型，其中模型在系统的生命周期内不断发展并支持推导有助于实时优化系统或服务的解决方案（Boschert & Rosen，2016 年）。
分析基于HFO2/Taox的3-D垂直电阻随机访问存储器阵列
摘要：提议三维垂直电阻随机访问记忆（VRRAM）作为增加电阻存储器存储密度的有前途的候选者，但是3-D VRRAM阵列的性能评估机制仍然不够成熟。先前评估3-D VRRAM性能的方法是基于写入和读取余量的。但是，3-D VRRAM阵列的泄漏电流（LC）也是一个问题。多余的泄漏电流不仅降低了记忆单元的读/写公差和责任，还可以增加整个数组的功耗。在本文中，使用3-D电路HSPICE模拟来分析3-D VRRAM体系结构中阵列大小和操作电压对泄漏电流的影响。模拟结果表明，迅速增加泄漏电流显着影响3-D层的尺寸。高读取电压是提高读取余量的预告仪。但是，泄漏电流也增加。减轻这一冲突需要在设置输入电压时进行权衡。通过分析多位操作对整体泄漏电流的影响，提出了提高阵列读/写入效率的方法。最后，本文探讨了减少3-D VRRAM阵列中泄漏电流的不同方法。本文提出的泄漏电流模型为3-D VRRAM阵列的初始设计提供了有效的性能预测解决方案。
PALMO：溢流机学习机翼性能数据库1.0 NACA 4系列Jason K. Cornelius Ames研究中心，Moffett FI
已经创建了溢出机学习机翼性能（PALMO）数据库，以实现各种应用程序中的机翼性能的强大建模。数据库使用溢出仿真数据二阶精确，并在Spalart-Allmaras湍流闭合时在空间上精确精确。开发棕榈数据库的基础是翼型基座立方体。每个基本立方体都包含在一系列的MACH数字，雷诺数和攻击角度的范围内参数化的模拟数据。数据库的第一个版本包括NACA 4系机翼，在机翼厚度中具有参数化，从NACA 0006到NACA 4424。总共在NASA高端计算能力（HECC）超级计算机上运行了52,480个NACA 4系列计算，并且将相应的机翼性能系数嵌入本文档的附录中，以进行公共分布。这提供了涵盖广泛的航空航天设计应用程序的高级精确模拟数据，该应用使用户能够开发溢出质量的机翼性能查找表，而无需其他高性能计算。除了对航空航天车的工程设计和分析外，Palmo非常适合作为航空航天工程中机器学习方法开发和测试的基准数据集。下游替代模型可实现溢出质量的机翼性能预测，以预测数据库范围内的室内，厚度，马赫数，雷诺数和攻击角度的任何任意组合。
μg-lilypond™：浮动植物池塘的初步设计
多功能，可靠和高效的太空作物生产系统可以为机组人员提供营养补充和心理上的好处，同时有可能减少深空勘探任务的食物量。水生植物具有提供大气再生，可食用的生物量生产，生物燃料产生甚至代谢废水处理的巨大潜力，但很少研究作为空间应用的潜在食品作物。μg-lilypond™是一种自主环境控制的浮动植物培养系统，可用于微重力。系统扩展了能够在太空中生长的农作物的类型，以包括水生浮动植物。μg-lilypond™设计为低维护，健壮，体积效率和多功能性。它具有被动水输送，通过营养繁殖的全部生命周期支撑以及近距离的冠层照明。通过NASA STTR I期项目，太空实验室和科罗拉多大学博尔德分校建立了微重力水上水生植物种植的可行性，并开发了植物生长室系统概念。在第二阶段，该团队正在开发一个工程演示单元（EDU），该单元将验证和验证µG-Lilypond™设计。EDU将展示低TRL技术（水运输，养分培养基回收，收获，近距离的par递送和辐射散热），以及支持更高生根植物的可扩展性。最后，将在相关的微重力环境中测试µg-Lilypond™水运输和收获能力。本文回顾了最终的µG-Lilypond™系统概念，性能预测和原型演示。