XiaoMi-AI文件搜索系统
World File Search System物理建模
在热带气候变化下的冰川进化的物理建模
摘要。近年来，由于观察和/或计算机约束，由于全球冰川进化模型代码以及空间广泛的地理验证数据的可用性，因此，由于观察和/或计算的约束，在预先明显不可行的地区开发和验证冰川模型。热带安第斯山脉中的冰川代表了世界上观察到的一些最少和建模的冰川，使其在气候变化下的轨迹不确定。迄今为止的研究通常采用了表面能量平衡和冰流的经验模型，以模拟气候变化下的冰川进化，但是这些可能会错过未来冰川质量变化的重要非线性。我们结合了两种具有全球能力的建模代码，可提供这些过程的物理表现：（i）英国联合土地环境模拟器（Jules）解决了雪和冰的全部能量平衡，以及（ii）开放的全球冰川模型（OGGM），该模型（OGGM）解决了划定层次繁殖的shllow-ice-ice ecementing of the Hallow-ice-ace-ice equalitation equiplation equiplation cool coply cop＆repl＆repl＆repl。Jules – Oggm适用于秘鲁Vilcanota-urubamba盆地的500多个热带冰川，这是80万人的所在地，这些人主要居住在社会经济发展较低的农村社区，并且易于气候变化。该模型是针对可用的冰川和大地质量平衡观测值评估的，以实现使用建模工作流的潜力，以模拟十年时间表上的热带冰川进化。我们表明Jules -OGGM模型可以参数化
PEM燃料电池的高级物理建模以增强其性能
氢技术提供了有前途的前景，可以在更可持续的世界中应对未来的能源需求。鉴于他们的潜力，他们的技术发展是许多政策的核心。因此，燃料电池的精确建模对于优化其控制并提高其性能至关重要。本文始于对有关物质运输的原理以及用质子交换膜（PEMFC）计算燃料电池电压的最新进展的深入分析。它通过介绍相关方程，其适用性和基本假设来详细了解这些原理，这构成了未来模型的发展。基于这项工作，已经开发了一种使用成品差异方法的PEMFC的一个维度，动态，两相和等温模型。该模型构成了功能块模型的简单性与数字流体力学模型的准确性（英语：计算流体动力学模型）之间的妥协，从而提供了内部状态的精确描述，同时对计算的需求较低。此外，在过压的计算中引入了一种新的物理参数，液体水饱和系数（S LIM）以及相应的公式。开源，基于此模型并在Python中实施的Alphapem软件，然后开发并发布。模型A此新参数将电压下降连接到高电流密度与催化层中存在的液体水量和燃料电池的工作条件。这种新建立的燃料电池内部状态及其操作条件之间的联系有望优化其控制，从而改善其性能。他提出了一个模块化体系结构，该体系结构有助于新功能的创建，并包括友好的图形界面。alphapem还结合了一种自动校准方法，可以通过研究的特定燃料电池对模型进行精确的校准。在使用此软件时，可以有效地计算有关所有当前密度的内部状态的详细信息。以极化和EIS曲线为特征的静态和动态性能也可以在不同的工作条件下进行模拟。此外，Alphapem为在车载系统中使用高级电池的高级模拟开辟了道路，因为它可以在动态操作条件下进行精确且快速的响应。
使用LS-DYNA进行安全电池的多物理建模
摘要在全球朝着环境可持续性的推动下，锂离子电池是各种应用的主要电源，因为它们的高能量密度。因此，航空业越来越多地研究电气化，作为减少排放和对抗气候变化的潜在解决方案。然而，由于潜在的故障情况引起的安全问题阻碍了广泛的采用。对这些故障机制的全面理解对于提高锂离子电池安全性并为更可持续的航空未来铺平道路至关重要。本文在多样化的滥用条件下对锂离子电池故障机制的当前最新状态进行了批判性审查，其中包括热，电气和机械响应。它强调了在固有更安全的锂离子电池的设计中，整合结构，电和热响应的多物理模拟的重要性。此外，该论文专注于结构电池，这是一种新型技术，具有革新电动航空运输的潜力。结构电池通过无缝整合储能和承载能力来提供引人注目的解决方案。这种整合有可能减轻与电动飞机中常规电池组相关的重量罚款，从而扩大范围和有效载荷能力。本文分析了结构电池研究的挑战和未来方向。它强调了高级有限元分析模拟在滥用条件下结构电池的行为中的关键作用。这些模拟可以在预测内部短路发生，这是一个关键的安全问题。通过利用这种预测能力，可以加快更安全和更有效的结构电池的开发，为电动航空的更可持续的未来铺平道路。
CO2岩石物理建模，用于可靠监测地质碳存储
监测，验证和会计（MVA）对于确保安全和长期的地质碳存储至关重要。地震监测是一种关键的MVA技术，它利用地震数据来推断Co 2饱和岩石的弹性特性。在地下存储储存库和潜在泄漏区域中CO 2的可靠会计需要准确的岩石物理模型。然而，基于常规生物 - 加斯曼方程的广泛使用的CO 2岩石物理模型可以大大低估CO 2饱和度对地震波的影响，从而导致不准确的会计。我们通过考虑多孔岩石中地震速度的应力依赖性和岩石框架上的CO 2的压力依赖性的两种影响，从而开发出准确的CO 2岩石物理模型。我们使用Kimberlina-1.2模型（以前提出的加利福尼亚州的地质碳存储位点）验证了我们的CO 2岩石物理模型，并使用我们的新岩石物理方法创建了延时弹性属性模型。我们将结果与使用常规生物加斯曼方程获得的结果进行了比较。我们的创新方法比Biot-Gassmann结果产生弹性特性的变化更大。使用我们的CO 2岩石物理模型可以复制实验室观察到的剪切波降低速度。我们的岩石物理模型增强了延时弹性波建模的准确性，并使用地震监测实现了可靠的CO 2会计。
波能量转换器功率起飞系统缩放和物理建模
摘要：从海洋中吸收可用形式的能源的波浪代表着一个有吸引力的挑战，在大多数情况下，这涉及可靠，有效和成本效率的功率采取的机制的波动和整合。在进度的各个阶段，为了评估波浪能设备，进行实验测试很方便，以便于及时考虑到小规模的功率占用机制的现实行为。要成功复制和评估功率接管，需要实施良好的实践，以正确扩展和评估功率接管机制及其行为。本文旨在探索和提出解决方案，这些解决方案可用于在实验研究期间重现和评估功率接管元素，即实验性设置的增强，校准实践和误差估计方法。一系列有关如何实际组织和进行实验的建议，并涵盖了三个案例研究。发现，尽管特定的选项可能严格取决于技术，但各种建议都可以普遍适用。
耦合机学习和物理建模，用于预测集水量表的径流
在本文中，我们提出了一种方法，该方法结合了数据驱动和物理建模，以预测流域量表的径流发生和体积。以此目的，我们首先估计了绿色增强模型在有助于记录的风暴中的径流体积。然后，我们使用机器学习算法，即LightGBM（LGBM）和深神经网络（DNN）来预测在风暴开始或在风暴开始之前收集的一组大气变量（相对湿度，温度，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气压和风速）的输出。在马德里举行的小城市集水区的结果DNN的结果在预测径流发生和体积方面表现更好。在具有辅助变量的Mospheric变量处的输入初级（例如，在第一个小时记录的风暴强度数据，或从辅助回归方法中获得的降雨量和强度估计值）很大程度上增加了每个形式的模型。我们在该手稿数据驱动的算法中显示的是由物理标准塑造的，可以通过允许数据驱动算法从物理模型的输出中学习来成功生成。它代表了一种新颖的方法，用于通过机器学习从水文建模中的常见实践转移的物理信息驱动算法。
ERDC/CRREL SR-19-1“CRREL 环境风洞
大气或环境风洞非常适合基础研究和应用物理建模，以及支持数值模型验证过程。美国陆军工程兵团工程研究与发展中心 (ERDC) 一直活跃于研究物理建模领域。ERDC 环境实验室 (EL)、寒冷地区研究与工程实验室 (CRREL) 和岩土与结构实验室 (GSL) 之间有一座历史性的、三座运行中的和一座未来计划中的大气风洞。每个设施都经过独特设计，以研究不同领域的大气现象。本报告回顾并强调了每个设施的特点及其目标研究应用。特别是，人们希望扩大 CRREL 环境风洞 (EWT) 物理建模能力的范围。将该能力扩展到雪堆建模之外，为在空地和潜在的空水界面进行几何全尺寸湍流边界层实验打开了大门。维护和改善内部风洞设施对于 ERDC 的任务至关重要，可以促进大气物理建模的创新和多功能性。
增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控
摘要。引入了一种用于建模肿瘤生长的新计算工具肿瘤生长。该工具允许比较标准教科书模型，例如一般的Bertalan效和Gom-Pertz，以及一些较新的模型，包括第一次是神经ODE模型。作为一种应用，我们在接受两种不同治疗方案的患者中重新审视非小细胞肺癌和膀胱癌病变的人类元研究，以确定先前报道的性能差异在统计学上是否显着，并且是否更新，更复杂的模型更为复杂。在至少四个时间体积测量的示例中，可以进行校准，平均约为6.3，我们的主要结论是，普通的bertalan杀性模型平均具有较高的性能。但是，如果有更多测量值可用，我们认为能够捕获反弹和复发行为的更复杂的模型可能是更好的选择。
面向大众的神经质量建模：利用 FastDMF 实现全脑生物物理建模的民主化
1 瓦尔帕莱索神经科学跨学科中心，瓦尔帕莱索大学，2360103，瓦尔帕莱索，智利。 6 2 剑桥大学心理学系，剑桥 CB2 3EB，英国 7 3 伦敦玛丽女王大学心理学系，伦敦 E1 4NS，英国 8 4 伦敦帝国理工学院脑科学系迷幻药研究中心，伦敦 SW7 2DD，英国。 9 5 伦敦帝国理工学院数据科学研究所，伦敦 SW7 2AZ，英国 10 6 伦敦帝国理工学院复杂性科学中心，伦敦 SW7 2AZ，英国 11 7 剑桥大学临床神经科学系和麻醉科，剑桥，CB2 0QQ，英国 12 8 剑桥大学利华休姆未来智能中心，剑桥，CB2 1SB，英国 13 9 阿兰图灵研究所，伦敦，NW1 2DB，英国 14 10 布宜诺斯艾利斯大学布宜诺斯艾利斯物理研究所和物理系，布宜诺斯艾利斯，阿根廷 15 11 圣安德烈斯大学，布宜诺斯艾利斯，阿根廷 16 12 大脑和流体研究所，ICM，F-75013，巴黎，法国 17 13 拉丁美洲脑健康研究所（BrainLat），布宜诺斯艾利斯大学Adolfo Iba˜nez，智利圣地亚哥 18 14 牛津大学精神病学系，牛津 OX3 7JX，英国。 19 15 奥胡斯大学临床医学系大脑音乐中心，奥胡斯 15 8000，丹麦。 20 16 米尼奥大学医学院生命与健康科学研究所，布拉加 4710-057，葡萄牙。 21 17 CIMFAV-Ingemat，瓦尔帕莱索大学工程学院，瓦尔帕莱索，智利。 22 18 巴黎萨克雷神经科学研究所综合与计算神经科学系，国家研究中心 23 科学中心，伊维特河畔吉夫，法国 24 19 大脑与认知中心，计算神经科学组，信息与通信技术系，Universitat 25 Pompeu Fabra, Roc Boronat 138, 巴塞罗那, 08018, 西班牙。 26 20 加泰罗尼亚研究研究所 (ICREA), 巴塞罗那 08010, 西班牙。 27 21 马克斯·普朗克人类认知和脑科学研究所神经心理学系，莱比锡 04103，德国。 28 22 莫纳什大学心理科学学院，墨尔本，Clayton VIC 3800，澳大利亚。 29 * rubenherzog@ug.uchile.cl, ** 同等最后作者贡献 30