1 CEA,DES,IRESNE,核测量实验室,F-13108法国圣保罗 - 莱兹 - 杜兰斯2 ENEA,Lungotevere Grande Ammiraglio Thaon di Revel 76,Roma 000196,Roma 000196,意大利3 Caen S.P.A. Bagnols-Sur-Cèze30200,法国5 Orano集团,巴黎大街125号,Châtillon92320法国6 Orano La Hague,La Hague 50444,在Micado H2020项目的框架中,被动和主动的中子测量系统正在开发出核材料的核材料量不足的频率,并估算出了核材料的范围。已经进行了蒙特卡洛模拟,以设计一个新的模块化和可运输的中子系统,其主要目标是在被动模式下进行良好的表现,即中子重合计数,并在主动询问模式下与差分隔离技术。不同的设计,这些设计主要不同,它们的适量材料(石墨和聚乙烯)。这项参数研究使我们能够考虑到其在广泛的原地和核设施中的最终实施,从而定义了一个原型。原型的总中子检测效率为6.75%,如空鼓计算,即没有废物矩阵。基于核材料等效质量的检测极限,也基于对鼓内核材料的均匀分布的假设进行了估算,其中包含四种类型的矩阵,这些矩阵涵盖了项目框架中定义的核废料桶范围。最有利的矩阵是在被动模式下由不锈钢制成的,在活动模式下的聚乙烯,明显的密度分别为0.7 g.cm -3和0.1 g.cm -3。计算出的质量检测极限分别为240 PU的68毫克,62 mg的235 U和39 mg的239 PU。最严格的矩阵由聚乙烯制成,表观密度为0.7 g.cm -3,在被动模式下导致519 mg的质量检测极限为240 PU,564 mg的235 U或349 mg或349 mg的239 PU在活动模式下为239 PU。被动和主动模式的测量时间为30分钟。下一步将是基于密集的蒙特卡洛计算和实验设计的矩阵效应的完整研究,以找出适当的校正。还将在CADARACHE核测量实验室进行实验,并通过中子系统原型的构造和组装,以及装有不同矩阵的模拟鼓的测量。
今天的惯性导航系统(INS)的实现发生在所谓的“皮带降”技术中,其中所有惯性传感器(陀螺仪和加速传感器)都安装在车辆上。过去,这些系统是在所谓的“ gimbal”技术中设计的,其中陀螺仪用于机械地稳定太空中的加速度传感器。在绑带系统中,稳定化是数学上的,因此所有惯性传感器均暴露于整个车辆动力学。由于缺乏机甲鼻子式辅助,在运行中的皮带系统要比Gimball Systems强大得多,但是测量范围,尺度的准确性和传感器的稳健性的要求相应地更高。
控制量子位的状态涉及操纵其量子态以执行所需的操作。这种操纵通常涉及应用量子门序列 [3],它们类似于经典逻辑门,但作用于量子态 [4]。这些门可以确定性地改变量子位的状态,从而产生叠加和纠缠,以及计算所需的其他量子操作。测量量子位的状态涉及确定其在特定时刻的量子态。量子位耦合到位于其物理位置附近的微波谐振器。正是通过这些谐振器,可以确定或“读出”量子位的状态。确定量子位状态的一种常用技术是色散读出法 [5]。该方法利用了这样一个事实:量子位的状态对读出谐振器的某些宏观参数(例如其谐振频率)有直接影响。
摘要。,我们根据创新的传感器机载超光谱仪(AUSEA)(AUSEA)在工业站点的规模(AUSEA)开发了一个完整的测量系统,以量化了CO 2和CH 4排放,并在船上未驾驶飞机(UAVS)进行操作。AUSEA传感器是一种新的轻质(1.4千克)开放式path激光吸收光谱仪,同时记录原位CO 2,而在高频(本研究中24 Hz)的CH 4浓度(本研究中的24 Hz),精度为10 ppb,对于CO 2的CH 4和1 ppm(当CO 2的CH 4和1 hz时)(平均为1 Hz)。它适用于距离来源不远的工业运营(CO 2和CH 4的CO 2和200 ppm的灵敏度最高为1000 ppm)。在源的羽流横截面的下风中监测的温室气体浓度驱动了一个简单的质量平衡模型,以量化此源的排放。本研究提出了这种方法的应用,以不同的代表石油和天然气设施的现实状况条件的实用案例。监视了两个海上石油和天然气平台,我们的排放估计与平台的质量平衡和燃烧计算共同。Our method has also been compared to various measurement systems (gas lidar, multispectral camera, in- frared camera including concentrations and emissions quan- tification system, acoustic sensors, ground mobile and fixed cavity ring-down spectrometers) during controlled-release experiments conducted on the TotalEnergies Anomaly De- tection Initiatives (TADI) test platform at Lacq, France.事实证明,它适合于以发射频率降低到0.01 gs -1的泄漏,其中
先前的研究提供了有价值的见解,以探索不同的方式来表征音乐音色,无论是定性或定量的,如下一节所述。然而,问题仍然在多大程度上可以可靠地表征音色,并在某种乐器(例如钢琴)中存在微妙的差异。因此,当前的研究旨在探索和发现定量指数,以精确表征钢琴音色。音色指数的精度将通过在工程和制药行业中使用的最新测量系统分析方法来验证,以确保钢琴音色测量系统的可靠性和可复制性。请注意,钢琴表演技术除其他因素外,还会影响钢琴产生的声音的音色(Bernays and Traube,2013,2014)。但是,这些因素不超出本研究的范围,因为如果没有足够精确的音色测量系统,音色的语义关联会遭受重大的解释变化(Reymore等,2023),并且对钢琴音色控制因子的分析类似于移动(和未确定)目标。一旦确定了精确的音色指数,它们就可以用来表征具有执行技术等各种因素产生的钢琴音色。
摘要:在海洋工程领域和海底结构的维护领域中,准确的下距离定量起着至关重要的作用。然而,由于向后散射和特征降解,这种测量的精度通常在水下环境中受到损害,从而对视觉技术的准确性产生不利影响。在应对这一挑战时,我们的研究引入了一种开创性的水下对象测量方法,将图像声纳与立体声视觉结合起来。这种方法旨在用声纳数据来补充水下视觉特征检测的差距,同时利用Sonar的距离信息进行增强的视觉匹配。我们的方法论将声纳数据无缝地集成到立体声视觉中使用的半全球块匹配(SGBM)算法中。这种集成涉及引入一个新型的基于声纳的成本术语并完善成本汇总过程,从而提高了深度估计的精度,并丰富了深度图内的纹理细节。这代表了对现有方法的实质性增强,尤其是在针对亚偏度环境下量身定制的深度图的质地增强中。通过广泛的比较分析,我们的方法表明,测量误差大大减少了1.6%,在挑战水下场景方面表现出了巨大的希望。我们算法在生成详细的深度图中的适应性和准确性使其与水下基础设施维护,勘探和检查特别相关。
[1] D.Faktorová,M。Kuba,S。Pavlíková和P. Fabo,“使用现代微控制器的阻抗光谱实施”,Procedia结构完整性,第1卷。43,pp。288-293,2023。[2] Q. Yao,D.-D.-C。 Lu和G. Lei,“具有低输出电压波动器上电源转换器上的精确在线电池阻抗测量方法”,Energies,第1卷。 14,否。 4,p。 1064,2021年2月。[3] P. Haussmann,J。J. Melbert,“使用电动汽车的标准电池管理系统通过阻抗光谱进行传感器单个细胞温度测量,” SAE技术文件2020-01-0863,2020。 报价和N. P. Brandon,“使用电动机控制器激发对电池阻抗的在线测量”,《 IEEE车辆技术交易》,第1卷。 63,否。 6,pp。 2557-2566,2014年7月。[5] A. Christensen和A. Adebusuyi,“在电池管理系统中使用板载电化学阻抗光谱,” 2013年世界电动汽车研讨会(EVS27),巴塞罗那,西班牙,西班牙,PP。。。288-293,2023。[2] Q. Yao,D.-D.-C。 Lu和G. Lei,“具有低输出电压波动器上电源转换器上的精确在线电池阻抗测量方法”,Energies,第1卷。14,否。4,p。 1064,2021年2月。[3] P. Haussmann,J。J. Melbert,“使用电动汽车的标准电池管理系统通过阻抗光谱进行传感器单个细胞温度测量,” SAE技术文件2020-01-0863,2020。报价和N. P. Brandon,“使用电动机控制器激发对电池阻抗的在线测量”,《 IEEE车辆技术交易》,第1卷。63,否。6,pp。2557-2566,2014年7月。[5] A. Christensen和A. Adebusuyi,“在电池管理系统中使用板载电化学阻抗光谱,” 2013年世界电动汽车研讨会(EVS27),巴塞罗那,西班牙,西班牙,PP。。2557-2566,2014年7月。[5] A. Christensen和A. Adebusuyi,“在电池管理系统中使用板载电化学阻抗光谱,” 2013年世界电动汽车研讨会(EVS27),巴塞罗那,西班牙,西班牙,PP。1-7,2013。
摘要 - 学生的关注是揭示其目标,意图和兴趣的必不可少的输入,这对于从心理学到互动系统的众多研究领域被证明是无价的。但是,大多数现有的对注意力进行分类的方法都无法对其复杂的性质进行建模。为了弥合这一差距,我们提出了一种新型的基于卷积神经网络的方法,该方法利用脑电图(EEG)数据将注意力分类为五个状态:选择性,持续,持续,分裂,交流和放松状态。我们通过标准的神经心理学任务收集了20个受试者的数据集,以引起不同的注意状态。我们提出的模型在此配置时的平均跨学生精度为92.3%(SD = 3.04),非常适合最终用户应用。我们基于转移学习的方法将模型个性化为个别受试者有效地解决了脑电图信号中个体可变性的问题,从而提高了对现实世界应用程序模型的性能和适应性。这代表了基于EEG的分类领域中的显着进步。实验结果表明,在受试者独立和受试者依赖性设置中,注意力集优于流行的EEGNET基线(P值<0.05),尽管我们数据集局限性,但确认了我们提出的方法的有效性。这些结果强调了使用EEG数据注意注意力集对注意力的有希望的潜力。索引术语 - eeg,注意,情感计算,认知参与评估