XiaoMi-AI文件搜索系统
World File Search System数值
单介质温跃层储罐中稳定热分层的优化流量分配器：数值和实验研究
符合可持续发展目标的能源转型要求在大多数能源需求领域迅速采用可再生能源 [1,2] 。热能存储 (TES) 具有在发电、工业和建筑等不同领域实现可再生能源高份额的巨大潜力 [3,4] 。TES 的优势特性包括可变的存储容量和持续时间、灵活的供需脱钩、灵活的集成方式 [5] 和生命周期优势，引起了各个能源市场的特别关注。根据 IRENA 的符合《巴黎协定》的能源转型情景 [6] ，预计未来 10 年安装的 TES 容量将增加三倍，从 2019 年的 234 GWh 增加到 2030 年的至少 800 GWh。
水瓶翻转实验：实验与数值模拟之间的定量比较
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
含显热填料的填料床储罐温跃层行为的实验与数值研究
Wꞏm -2 ꞏK -4 ṁ 质量流量 (kg s -1 ) Փ 直径 (m) ∆P 压降 (Pa) θ 出口温度阈值系数 Pe 佩克莱特数，Pe=D p ꞏu sup /α Pr 普朗特数，Pr=C p,f ∙ μ f / λ frp 球体径向坐标 下标 r 罐体径向坐标 amb 环境 Ra 瑞利数，Ra= GrꞏPr Re 颗粒雷诺数，Re= ( ρ f ꞏD p ꞏu sup )/ μ fb 罐内直径的填料床区域 R int 罐体内半径 (m) ch 装料 R mid 罐体中部半径 (m) dis 卸料 R ext 罐体外半径 (m) eff 有效值 t 时间 (s) ext 罐体外表面 T 温度 (K) f 流体 TC 入口最冷工作温度 (K) TH 最高工作温度(K) int 罐内表面 T in 流体入口温度 (K) max 最大 T out 流体出口温度 (K) out 出口 T o 参考温度 (K) p 颗粒 TA A 位置的径向温度 rad 辐射 TB B 位置的径向温度 s 固体 TC C 位置的径向温度 sf 固体到流体相 u 间隙流体速度 (ms -1 )，u = ṁ /( ρ f ꞏεꞏπꞏR 2 int ) w 壁
在分层大气中与瑞利散射的极化光的数值模拟
摘要。辐射传递方程是在大气温度温度上的温室气体效应的建模的核心和模拟的核心。为了处理云的逼真散射，我们需要处理极化并与向量辐射式跨方程式一起工作。在本文中，我们提出了一种基于积分数量和一种迭代方法的公式，该方法的收敛性和单音性被证明是雷利（Rayleigh）散射和极化的散射，即具有2个偏差方程的非线性系统，该方程与2个变量，an- gle and gle and glete and-Gle and flasile coulial coupl and频繁及其频繁的等方程式，并具有频繁的方程式。 ture。的存在和解决方案的唯一性被证明，并使用从卫星测量中获取的参数给出了现实的数值模拟。
使用瞳孔平面波前数据导出动态测距瑞利信标弗里德参数值的湍流剖面分析
摘要。大气湍流通常会阻碍远距离光学成像应用。湍流对成像系统的影响可以表现为图像模糊效应，通常通过系统中存在的相位失真来量化。模糊效应可以根据沿传播路径测量的大气光学湍流强度及其对成像系统内相位扰动统计的影响来理解。获取这些测量值的一种方法是使用动态范围的瑞利信标系统，该系统利用沿传播路径的战略性变化的信标范围，有效地获得影响光学成像系统的像差的估计值。我们开发了一种从动态范围的瑞利信标系统中提取断层扫描湍流强度估计值的方法，该系统使用 Shack - Hartmann 传感器作为相位测量装置。介绍了从快速序列中获得的战略性范围变化的信标测量中提取断层扫描信息的基础，以及典型湍流场景的建模示例。此外，处理算法还用于模拟孤立强湍流层的识别。我们介绍了所选处理算法的基础，并讨论了该算法作为大气湍流分析方法的实用性。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 Unported 许可证出版。分发或复制本作品的全部或部分内容需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.OE.59.8.081807]
分析和数值的全面审查...
Saeed Asadi 1， *，Mohsen Mohammadagha 1，Hajar Kazemi Naeini 1 1 1 1土木工程系，德克萨斯大学阿灵顿分校，德克萨斯州阿灵顿。
桥接数值模型和机器之间的缝隙...
许多地下流动应用涉及对物理定律充分了解的组成部分，以及在物理定律了解不足或不适用的其他组件中。数值建模在前者方面擅长于以前的机器学习（ML）在后者方面的插值数据，但是两种方法都无法同时解决这些组件。现有的ML方法（通常称为具有物理信息的ML或PIML）同时处理这些类型的组件是对标准ML方法的较小调整（例如，PIML可能会使用物理数据进行训练或损失功能来鼓励ML遵守ML，而无需任何准确保证方程式）。调整黑盒ML模型在根本上受到限制，因为“大数据没有解释自身” - 在模型中意味着，可解释的结构是提高可预测性，使人类理解和最大化小数据影响的必要性。我们展示了可区分的编程（DP）如何使我们能够使用可训练的ML融合值得信赖的数值建模，从而增强了用于物理模型开发，倒数分析和机器学习的工作流程。
一项初步数值研究，比较用于地下公用事业网络表征的GPR数据的物理方法和机器学习方法
1关于风险，环境，可调性以及城市和国家规划（CEREMA）的研究和专业知识中心，23 AV。沙文海军上将，法国49130 Les Ponts-De-Cé； David.guilbert@cerema.fr 2 Logiroad，5 Rue de l'Ectlose，44118 LaChevrolière，法国； yann.goyat@logiroad.fr（y.g。）; ali.assaf@logiroad.fr（A.A.）3材料与结构部（桅杆lames），古斯塔夫·埃菲尔大学，南特斯校园，AlléeDesPonts etchaussées，44340 Bouguenais，法国； Amine.ihamouten@univ-eiffel.fr 4组件与系统部（COSYS-SII），Gustave Eiffel大学，Nantes Campus，AlléeDesPonts etChaussées，44340 Bouguenais，法国； shreedhar.todkar@gmail.com 5评估和成像实验室（GERS-GEOEND），Gustave Eiffel University，Nantes Campus，AlléeDesPonts etChaussées，44340 Bouguenais，法国； xavier.derobert@univ-eiffel.fr *通信：rakeeb.jaufer@cerema.fr;这样的。：+33-699565486
分析流程中的数值不确定性导致大脑网络产生重大变化
脑成像数据的分析需要复杂的处理流程来支持有关脑功能或病理的发现。最近的研究表明，分析决策的变化、少量噪音或计算环境可能会导致结果的巨大差异，从而危及结论的可信度。我们通过使用蒙特卡罗算法引入随机噪声来检测结果的不稳定性。我们评估了连接组的可靠性、其特征的稳健性以及对分析的最终影响。结果的稳定性范围从完全稳定（即所有数据位都有效）到高度不稳定（即 0-1 个有效数字）。本文强调了利用大脑连接估计中诱导的方差来减少网络偏差的潜力，同时不影响可靠性，同时提高其在个体差异分类中的应用的稳健性和潜在上限。我们证明，稳定性评估对于理解脑成像实验固有的误差是必要的，以及如何将数值分析应用于脑成像和其他计算科学领域的典型分析工作流程，因为所使用的技术与数据和上下文无关，并且具有全局相关性。总体而言，虽然由于分析不稳定性导致的结果极端多变可能会严重妨碍我们对大脑组织的理解，但它也为我们提供了提高研究结果稳健性的机会。
数值化与智能化技术在材料科学中的应用与发展综述
设计，优化和制造。数值技术，例如有限元分析，验收动力学，第一原理计算和多尺度建模，可以有效地预测机构属性并优化设计。与此同时，人工智能和大数据分析可以通过机器学习发现新材料和反向设计。智能手段与自适应控制系统相结合，实现了生产过程的自动化和实时优化，从而提高了制造效率和精度。尽管数据和计算成本不足，但随着技术的进步，材料科学却朝着更高的精度和自动化方向发展。