XiaoMi-AI文件搜索系统
World File Search System灰床
激光粉末床熔合增材制造
1996 年 1 月 1 日之后发布的报告通常可通过美国能源部 (DOE) SciTech Connect 免费获取。网站 www.osti.gov 公众可以从以下来源购买 1996 年 1 月 1 日之前制作的报告： 国家技术信息服务 5285 Port Royal Road Springfield, VA 22161 电话 703-605-6000（1-800-553-6847） TDD 703-487-4639 传真 703-605-6900 电子邮件 info@ntis.gov 网站 http://classic.ntis.gov/ DOE 员工、DOE 承包商、能源技术数据交换代表和国际核信息系统代表可以从以下来源获取报告： 科学技术信息办公室 PO Box 62 Oak Ridge, TN 37831 电话 865-576-8401 传真 865-576-5728 电子邮件 reports@osti.gov 网站 http://www.osti.gov/contact.html
技术手册 - Aerys医疗床-Winncare
预防措施：尽管床符合电磁兼容性，但某些设备可能会改变其功能的方式，在这种情况下，必须在距离上使用或根本不使用它们。警告：床是一种电磁设备，需要有关电磁兼容性的特殊预防措施。必须根据本技术手册中提供的电磁兼容性信息安装并将其用于使用。警告：除了制造商指定或提供的配件，换能器和电缆外，还可能导致电磁排放增加或设备免疫力降低，并可能导致操作不当。当在下面指定的值的极限内受到电磁干扰时，床不会自动移动：
金属粉末床熔合工艺链
摘要 金属粉末床熔合 (MPBF) 不是一个独立的工艺，通常需要其他制造技术（例如热处理和表面处理操作）才能获得高质量的组件。 为了优化给定组件的每个单独工艺，必须考虑和了解其在整个工艺链中的进展，这可以通过使用经过验证的模型来实现。 本文旨在概述可用于开发 MPBF 工艺链数字孪生的各种建模技术，包括物理实体和数字实体之间的数据传输方法和不确定性评估。 通过使用技术就绪水平对建模技术的当前成熟度进行评估，以了解其成熟度。总结了 MPBF 研究领域（即预测：粉末变形；温度；材料特性；变形；残余应力；以及拓扑优化）、后处理（即建模：加工；热处理；和表面工程）和数字孪生（即制造过程链的模拟；互操作性和计算性能）中使用的基于物理的建模技术的优点和缺点。还讨论并总结了这些 MPBF 研究领域面临的挑战的未来前景。
练习中的伤口床准备
过去二十年的重点是改善慢性伤口范围广泛的患者的治愈率。现在是现实的，可以期望通过循证护理，许多伤口将在合理的时间范围内愈合。尽管总体上有所改善，但是，即使没有最高的护理标准，慢性伤口仍然很少但很大一部分。因此，这些伤口的管理受到了审查，注意力转向了影响其愈合的因素和伤口床的准备。伤口床制备不是一个静态概念，而是动态且迅速发展的概念。falanga在回顾本文档第一篇文章中的概念的演变时描述了时间的发展。这是一个模型，包括支撑伤口床制备的四个组件（组织管理，炎症和感染控制，水分平衡，上皮（边缘）进步）。Falanga建议，时间框架为临床医生提供了一种全面的方法，可以应用基础科学来制定最大化伤口愈合潜力的策略。该EWMA位置文档旨在通过研究如何将时间组成部分转化为不同伤口类型的实际管理，从而提高对伤口床制备的概念的理解，每种都面临着独特的临床挑战。相比之下，莫法特，莫里森和皮纳的文章表明，对于静脉腿溃疡，重点是恢复和维持水分平衡，而组织管理和感染控制则不太突出。埃德蒙兹（Edmonds），福斯特（Foster）和沃登（Vowden）的文章表明，对于糖尿病足溃疡，时间框架内的重点是以自由基和重复的伤口清理形式进行组织管理，炎症和感染控制在这些伤口中起着重要而复杂的作用。这些文章说明时间框架不是线性的：不同的伤口需要注意不同元素。该框架还认识到一种干预会影响多个时间要素。清创术可用作组织管理的干预措施，但也可以影响炎症和感染控制。伤口床制备模型取决于有效，准确的患者和伤口评估。使用这种方法临床医生可以在早期鉴定非治疗伤口的患者以及可能影响进展的策略的早期鉴定方面发展技能，而不是让患者长时间没有干预。该立场文件加强了将时间整合到整个护理计划中的重要性，该计划解决了患者治疗的所有其他方面。静脉溃疡，如果没有压缩就不会愈合；没有压力卸载和糖尿病控制的糖尿病足溃疡也不会。我们对伤口的思维的这种转变应促进对可在伤口床制备模型中使用的目标干预措施的发展产生越来越多的兴趣。随着我们的理解的提高，将有可能向那些将从使用中受益的患者正确靶向更先进和昂贵的技术。这些范围从基本干预措施，例如升高肢体以改善静脉腿溃疡的水分平衡，或覆盖伤口以降低糖尿病足溃疡感染的风险，到更复杂的先进疗法以刺激上皮（EDGE）进步。的确，时间为这些治疗的具有成本效益的引入提供了一个框架。伤口床的准备提供了巨大的潜力，可以改善顽固性伤口的患者的生活，并在各级卫生专业人员的能力上有效地管理复杂的非治疗。此外，使用时间框架作为正在进行的整体伤口管理策略的一部分，有可能通过治疗这一小但昂贵的患者来减轻卫生服务的财务负担。
球床的能量和火用分析...
在目前的研究中，我们开发了一种球床热能存储 (PBTES) 系统来利用发动机废气产生的废能。开发的 PBTES 与电力测功机耦合的固定式柴油发动机集成在一起，用于实验研究。比较了集成和未集成 PBTES 系统的发动机性能。在各种负载条件下，在充电过程中，60-75% 的能量可以存储在制造的系统中。研究发现，考虑到充电过程，使用该存储系统可以节省近 11-15% 的发动机燃料能量。PBTES 的热回收/排放表明可以节省 6-8.5% 的燃料一次能源。系统组合（发动机 + PBTES）效率在不同负载条件下变化范围为 11-38%。当施加 3 kW 负载时，可获得最高的能量节省，为 3.32%。开发的系统可轻松用于家庭或工业用途的空间加热或热流体需求。关键词：热能储存系统，球床，废热回收，
激光粉末床熔合增材制造在...
免责声明 本文件为美国政府机构赞助工作的记录。美国政府、劳伦斯利弗莫尔国家安全有限责任公司及其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或劳伦斯利弗莫尔国家安全有限责任公司对其的认可、推荐或支持。本文表达的作者观点和意见不一定代表或反映美国政府或劳伦斯利弗莫尔国家安全有限责任公司的观点和意见，不得用于广告或产品代言目的。
利用人工智能AI开展临床药师工作
近年来，人工智能（AI）的社会应用正在迅速发展。许多论文研究了AI在医疗领域的应用。然而，关于AI应用于临床药学服务的研究却很少。我们报告了在处方审核的机器学习应用领域中尝试将AI应用于临床药学服务的尝试：通过语音识别解决药品问题以及通过自然语言处理自动将标准代码分配给药品名称信息。虽然两者都是探索性的尝试，但我们展示了将AI应用于临床药学服务的实用性。预计未来AI将支持和改变所有行业，包括医疗保健和临床药学服务。但是，AI并不是可以解决任何问题的魔法。使用人工智能程序时，需要了解其特点和局限性。面向即将到来的人工智能时代，临床药师需要提高人工智能素养。
临床医学中的人工智能和机器学习（评论），2023 NEJM，3 月 30 日，...
资料来源：与 Bing 的对话 2023/4/1 （1）临床中的人工智能和机器学习...... https://www.nejm.org/doi/full/10.1056/NEJMra2302038 （2）医学中的机器学习 | NEJM - 新英格兰医学杂志...... https://www.nejm.org/doi/full/10.1056/NEJMra1814259 （3）新英格兰医学杂志：2023 年档案。 https://www.nejm.org/medical-archives/2023 （4）新英格兰医学杂志（日文版）。 https://nejm.jp/ （5）临床中的人工智能和机器学习...... https://www.researchgate.net/publication/369647120_Artificial_Intelligence_and_Machine_Learning_in_Clinical_ Medicine_2023
RLTG：多目标定向灰盒模糊测试
定向灰盒模糊测试可以引导模糊器探索特定的目标代码区域，在补丁测试等场景中取得了良好的效果。然而，如果有多个目标代码需要探索，现有的定向灰盒模糊测试器（如AFLGo和Hawkeye）往往会忽略一些目标，因为它们使用距离的调和平均值，倾向于测试可达路径较短的目标。此外，现有的定向灰盒模糊测试器由于程序中存在间接调用，无法计算出准确的距离。此外，现有的定向灰盒模糊测试器无法解决探索和利用问题，种子调度效率低下。针对这些问题，我们提出了一种动态种子距离计算方案，当可达路径遇到间接调用时，动态增加种子距离。此外，种子距离计算可以处理多目标场景下的偏差问题。利用种子距离计算方法，我们提出了一种基于置信上限算法的种子调度算法，以解决定向灰盒模糊测试中的探索和利用问题。我们实现了一个原型 RLTG，并在实际程序上对其进行了评估。原型评估表明，我们的方法优于最先进的定向模糊器 AFLGo。在多目标基准测试 Magma 上，RLTG 以 6.9 倍的速度重现错误，并且比 AFLGo 多发现 66.7% 的错误。
DeepGo：预测定向灰盒模糊测试
在本文中，我们提出了一个预测定向灰盒模糊测试器 DeepGo，它可以结合历史和预测信息来引导 DGF 通过最佳路径到达目标站点。我们首先提出路径转换模型，该模型将 DGF 建模为通过特定路径转换序列到达目标站点的过程。突变产生的新种子将导致路径转换，而高奖励路径转换序列对应的路径表示通过它到达目标站点的可能性很高。然后，为了预测路径转换和相应的奖励，我们使用深度神经网络构建虚拟集成环境 (VEE)，它逐渐模仿路径转换模型并预测尚未采取的路径转换的奖励。为了确定最佳路径，我们开发了一个强化学习模糊测试 (RLF) 模型来生成具有最高序列奖励的转换序列。RLF 模型可以结合历史和预测的路径转换来生成最佳路径转换序列，以及指导模糊测试突变策略的策略。最后，为了练习高奖励路径转换序列，我们提出了行动组的概念，全面优化模糊测试的关键步骤，实现高效到达目标的最优路径。我们在 2 个基准测试套件（共 25 个程序，100 个目标站点）上对 DeepGo 进行了测试。实验结果表明，与 AFLGo、BEACON、WindRanger 和 ParmeSan 相比，DeepGo 在到达目标站点方面分别实现了 3.23 倍、1.72 倍、1.81 倍和 4.83 倍的加速比，在暴露已知漏洞方面分别实现了 2.61 倍、3.32 倍、2.43 倍和 2.53 倍的加速比。