XiaoMi-AI文件搜索系统
World File Search System材料老化
电子材料老化 - 情报资源计划
估计此信息收集的公共报告负担平均为每份回应 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查此信息收集的时间。请将有关此负担估计或此信息收集的任何其他方面的评论（包括减轻此负担的建议）发送至国防部华盛顿总部服务处信息行动和报告局 (0704-0188)，1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202- 4302。受访者应注意，尽管法律有任何其他规定，但如果信息收集未显示当前有效的 OMB 控制编号，则任何人均不会因未遵守信息收集而受到任何处罚。请不要将您的表格寄回上述地址。1.报告日期 (DD-MM-YYYY) 2020 年 11 月 2.报告类型 3.涵盖日期 (从 - 到)
AMM_LLNL_ReadAhead_v02_0...
成就 LLNL 整合了工程、材料科学、物理、化学、数据科学、建模和仿真以及制造方面的专业知识，以创造创新解决方案。例如，材料科学家研究材料的化学、电子、结构和动力学特性，包括聚合物、合金、陶瓷、泡沫和仿生材料。研究人员还探索了增强原料开发、制造技术和表征方法的方法，同时研究了可能影响长期性能的材料老化和降解。利弗莫尔专家利用人工智能和数据科学的力量来优化设计并实现材料科学的快速进步。LLNL 的一系列资源为这些成就做出了贡献，例如：
复杂问题应用的创新解决方案...
成就 LLNL 整合了工程、材料科学、物理、化学、数据科学、建模和仿真以及制造方面的专业知识，共同设计创新解决方案。例如，材料科学家研究材料的化学、电子、结构和动力学特性，包括聚合物、合金、陶瓷、泡沫和仿生材料。研究人员还探索了增强原料开发、制造技术和表征方法的方法，同时研究了可能影响长期性能的材料老化和降解。利弗莫尔专家利用人工智能 (AI) 和数据科学的力量来优化设计并实现材料科学的快速进步。LLNL 的广泛资源为这些成就做出了贡献，例如：
先进核材料与制造。...
我们自上而下的开发和执行策略使我们能够开发出能够同时制造材料和组件的材料系统。通过多尺度建模和仿真，我们优化了制造流程和设计，以创建性能卓越的坚固组件原型，然后可以使用我们开发的程序和材料进行规模化生产。我们运用我们的专业知识和设备来识别和预测材料在极端环境中的降解情况，特别是在宏观损伤扩散并导致对安全至关重要的结构、系统和组件失效之前。我们专注于利用一系列功能来加深对材料老化和降解方式的理解，包括原子分辨率电子显微镜、真实环境中的材料测试、机械设计、材料鉴定和多尺度建模。
地球静止轨道 (GEO) 中的空间碎片生成
这项工作的目的是评估航天器材料在使用寿命结束后会发生什么。本文介绍了航天器外部材料和空间环境的影响。本文是对航天器材料退化和地球静止轨道 (GEO) 空间碎片形成的持续研究的结果。在本文中，结合同时进行的紫外线、粒子辐射和热循环，将 20 年的 GEO 剂量分布应用于一组外部航天器材料。这些材料包括 MLI 组件、Velcros 固定和航天器涂装。对这些暴露在模拟空间环境中的外部航天器材料的评估证实了 MLI、Velcros 固定和涂装的退化、分层机制和颗粒污染的临界性。空间辐射（粒子、紫外线）和热循环的协同作用使材料老化并产生机械应力，导致脆性表面、裂缝和分层的产生。这些现象对暴露的表面造成严重损坏，改变表面的热光特性，并可能导致空间碎片的产生。具体来说，实验结果显示了内部 MLI 层的分层和 Velcros 的严重退化。
用于空间应用的自修复材料
摘要 近十年来，自修复材料在空间应用领域变得极具吸引力，这是由于其技术的发展以及随之而来的空间系统和结构设计可能性，这些系统和结构能够在与微流星体和轨道碎片撞击、意外接触尖锐物体、结构疲劳或仅仅是由于材料老化而造成损坏后进行自主修复。将这些新材料整合到航天器结构设计中将提高可靠性和安全性，从而延长使用寿命和任务。这些概念将为建立新的轨道站、在月球上定居和人类探索火星带来决定性的推动力，从而实现新的任务方案。本综述旨在介绍最新、最有前景的空间应用自修复材料和相关技术，以及与它们当前的技术局限性以及空间环境的影响相关的问题。在介绍太空探索和自修复概念的前景和挑战之后，简要介绍了空间环境及其对材料性能的可能影响。然后对自修复材料进行详细分析，从一般的内在和外在类别到具体的机制。
attmoe：注意与锂离子电池的使用寿命预测的专家混合在一起
对于锂离子（锂离子）电池，诸如材料老化和容量衰减之类的问题会导致电池性能降解甚至灾难性事件。预测剩余的使用寿命（RUL）是指示锂离子电池健康的有效方法，这有助于提高电池动力系统的可靠性和安全性。我们提出了一个新型的神经网络Attmoe，该网络将注意力机制与专家（MOE）的混合物结合在一起，以捕获电池RUL预测的容量淡出趋势。面对从传感器收集的原始数据始终充满噪音的问题时，Attmoe使用辍学掩码来代替原始数据。为了进行RUL预测，一个关键思想是，注意机制捕获了序列中的元素和更多注意力之间的长期依赖性，这是对包含更多降级信息的重要特征。另一个关键思想是，MoE使用许多专家来提高模型能力以实现更好的表示。最后，我们使用两个公共数据集进行了实验，以表明ATTMOE在RUL预测中有效，并且在相对误差方面提高了10％–20％。我们的项目都是开源的，可在https://github.com/xiuzezhou/rul上找到。
摘要 - ABCM
多年来，人们一直使用阿伦尼乌斯近似法将加速热老化数据推断到与材料应用相关的较低温度条件，并估算其使用寿命。当降解过程受决定反应速率的化学反应主导时，可以假设该模型。本研究评估了工程热塑性塑料聚碳酸酯 (PC)、聚对苯二甲酸丁二醇酯 (PBT) 和 PC/PBT 共混物。将用于拉伸（ASTM D638）和冲击（ASTM D256）试验的样品放入具有三种温度的空气循环的烤箱中老化。在四个老化时间内评估断裂伸长率、冲击强度和黄变指数、流动性等性能。PBT 的平均寿命与温度之间存在良好的相关性，可以估算其长期有效寿命。PC/PBT 共混物仅在流动性指数方面表现出良好的相关性。在所分析的任何属性中，PC 均未呈现出令人满意的相关性。这一事实可以归因于材料老化温度（150°C）下发生的物理变化（退火）以及混合物在 170°C 下的降解机制的变化。