XiaoMi-AI文件搜索系统
World File Search System汽车部件
人工智能不必太复杂或昂贵
需要 AI 进行学习。这就需要关注涵盖重要案例并始终标记的数据，以便 AI 可以从这些数据中学习它应该做什么。换句话说，创建这些有价值的 AI 系统的关键是我们需要能够使用数据而不是代码编程的团队。为什么在技术领域之外采用 AI 如此困难 为什么 AI 没有在消费者互联网公司之外广泛使用？其他行业采用 AI 面临的最大挑战包括： 1.数据集小。在拥有大量用户的消费者互联网公司中，工程师拥有数百万个数据点，他们的 AI 可以从中学习。但在其他行业，数据集大小要小得多。例如，您能否构建一个 AI 系统，在仅查看 50 个示例后就学会检测有缺陷的汽车部件？或者从 100 个诊断中学习后检测出罕见疾病？当只有 50 个数据点时，为 5000 万个数据点构建的技术不起作用。2.定制成本。消费者互联网公司雇用数十或数百名熟练的工程师来构建和维护创造巨大价值的单片 AI 系统——例如，每年产生超过 10 亿美元收入的在线广告系统。但在其他行业，有许多 100 万至 500 万美元的项目，每个项目都需要定制的 AI 系统。例如，每个生产不同类型产品的工厂可能需要定制的检查系统，每家医院都有自己的健康记录编码方式，可能需要自己的 AI 来处理其患者数据。这些数十万个项目的总价值是巨大的；但单个项目的经济效益可能不支持雇用一个大型、专门的人工智能团队来构建和维护它。人工智能人才的持续短缺加剧了这个问题，进一步推高了这些成本。3.概念验证与生产之间的差距。即使人工智能系统在实验室中工作，也需要大量的工程来部署
人工智能不必太复杂或昂贵
需要AI进行学习。这就需要关注涵盖重要案例且带有一致标签的数据，以便AI可以从这些数据中学习它应该做什么。换句话说，创建这些有价值的AI系统的关键在于我们需要能够使用数据而不是代码编程的团队。 为什么在科技领域之外采用AI如此困难 为什么AI没有在消费互联网公司之外得到广泛应用？ 其他行业采用AI面临的最大挑战包括： 1.数据集小。在拥有大量用户的消费互联网公司中，工程师拥有数百万个数据点，他们的AI可以从中学习。但在其他行业，数据集大小要小得多。例如，你能否构建一个AI系统，在仅查看50个示例后学会检测有缺陷的汽车部件？或者在仅从100个诊断中学习后检测出罕见疾病？当你只有50个数据点时，为5000万个数据点构建的技术不起作用。 2.定制成本。消费互联网公司雇佣数十或数百名技术熟练的工程师来构建和维护创造巨大价值的庞大的人工智能系统——比如，一个每年创造超过 10 亿美元收入的在线广告系统。但在其他行业，有许多价值 100 万至 500 万美元的项目，每个项目都需要一个定制的人工智能系统。例如，每家生产不同类型产品的工厂可能需要一个定制的检查系统，每家医院都有自己的健康记录编码方式，可能需要自己的人工智能来处理患者数据。这些数十万个项目的总价值是巨大的；但单个项目的经济效益可能不支持雇用一个大型的、专门的人工智能团队来构建和维护它。人工智能人才的持续短缺加剧了这个问题，这进一步推高了这些成本。3. 概念验证与生产之间的差距。即使人工智能系统在实验室中工作，也需要大量的工程来部署
第一阶段和第二阶段的最终报告 - v10aCDOTVersion.doc
16.摘要 该项目包括两个阶段。在第一阶段的研究中，通过 SAE J2334 试验和 ASTM B117 试验检查了两种盐的相对腐蚀性。在第二阶段的研究中，应用了 SAE J2334 试验和 NACE TM -01-69 试验（经太平洋北部各州修改）。该项目检查的代表性金属包括 410 和 304L 不锈钢、2024 和 5086 铝、涂层汽车车身板、铜线和低碳钢。SAE J2334 试验的实验结果表明，MgCl 2 对测试的裸露金属的腐蚀性比 NaCl 更强。然而，ASTM B117 试验的实验结果却得出了相反的结论。由于结论相矛盾，进一步使用 NACE TM -01- 69（经太平洋西北雪地战士修改）进行了试验。SAE J2334 和 NACE TM-01-69 试验再次得出了相反的结论。为了调查造成不一致的原因，修改了 SAE J2334 和 NACE TM-01-69 试验的实验条件，并对两种试验进行了各种修改模式。发现试验结果不一致不是由于氯化物溶液的化学浓度不同、浸泡时间不同、试验时间不同或试验温度不同造成的。不一致是由于高湿度环境下两种盐的湿度条件不同和性质不同造成的。该项目所采用的三种测试方法，有三种基本湿度条件：干、湿（饱和湿度）、浸（浸没）。17.由于MgCl 2溶液比NaCl溶液具有更高的粘度和更强的亲水性，MgCl 2溶液在干燥条件下更容易粘附并结晶在金属表面，然后在潮湿条件下变成金属表面的溶液。这种干湿效应导致MgCl 2在不同测试条件下的腐蚀行为不同。因此，根据汽车部件所经历的使用条件，在潮湿环境下MgCl 2比NaCl更具腐蚀性，而在浸泡和干旱环境下NaCl更具腐蚀性。该结论是基于对科罗拉多州使用的除冰盐的实验得出的。实施研究的结果导致CDOT使用的除冰化学品的规格发生变化。新的腐蚀性规范要求 CDOT 使用的氯化镁对铝和不锈钢的腐蚀性不大于氯化钠，经 NACE TM -01-69 方法测试。关键词 环境、冬季维护、除冰、氯化镁、氯化钠、腐蚀
机器学习预测增材制造部件的机械行为
航空航天 [ 1 ]、汽车 [ 2 ]、电子 [ 3 ]、医药 [ 4 ]、建筑 [ 5 ] 和医疗保健监测 [ 6 ]。根据美国材料试验协会 (ASTM) 的定义，AM 分为七种工艺：粘合剂喷射、板材层压、直接能量沉积、材料挤出、粉末床熔合、材料喷射和大桶光聚合[ 7 ]。基于 AM 的应用，该领域已对不同工程方面进行了研究。例如，最近的研究工作研究了可持续性 [ 8 ]、机械强度 [ 9 ]、环境影响 [ 10 ] 和不同的焊接应用 [ 11 ]。由于 AM 加工参数（例如粉末大小、打印速度、层厚度、激光功率和光栅方向）对 3D 打印部件的结构完整性和机械性能具有至关重要的影响，因此已经使用不同的方法来优化这些参数并预测打印部件的机械行为 [12 e 17]。例如，最近在 [16] 中，基于一系列拉伸试验确定了 3D 打印聚合物复合材料的强度和刚度。此外，还记录了纤维取向对所检查部件机械性能的影响。在 [17] 中，从微观和宏观层面研究了工艺条件对 3D 打印复合材料制造的影响。在此背景下，基于材料挤出技术打印了短碳纤维增强聚合物复合材料。基于图像的统计分析用于微观结构表征（例如纤维体积分数）。此外，还使用蒙特卡洛采样方法来丰富数据集。结果表明，工艺参数对孔隙产生和孔隙体积分数分布起着至关重要的作用。文献调查显示，与实验实践并行，数值模型和不同的人工智能 (AI) 方法也已用于研究 3D 打印部件的性能特征 [18 e 21]。例如，在 [22] 中，采用 3D 有限元模型来确定工艺参数对陶瓷材料 3D 打印中熔池轮廓和焊珠形状的影响。同时，提出了一种基于物理的分析模型来评估增材制造金属零件中的残余应力 [23]。为此，使用温度分布预测来评估该过程的热特征。据报道，热应力用作计算残余应力的输入。这些先前的研究表明，进行的模拟仅集中在 AM 过程的一个或两个方面。由于快速准确地预测所有机械性能和某些制造方法的整个过程是不切实际的，因此人们使用了数据驱动模型，其统一称为机器学习 (ML) [ 24 和 28 ]。机器学习是一门跨学科的学科，是人工智能的一个分支，它通过算法学习促进了低成本计算[29]。在机器学习方法中，不需要一长串基于物理的方程，而是使用以前的数据。基于机器学习方法的优势，它们已在增材制造领域用于不同目的[30e39]。例如，在[30]中，提出了一种混合机器学习算法来推荐3D打印部件的设计特征。通过3D打印汽车部件的设计检验了所提出的方法。经验不足的设计师可以在设计阶段使用所述方法。基于建议的增材制造设计特征，机器学习算法的功能