XiaoMi-AI文件搜索系统
World File Search System物理建模
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。
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。
电动机替代模型的数据有效的机器学习方法 /作者= Wang，Bingnan; Sakamoto，Yusuke /creationDate = 2024年6月5日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
电动机广泛用于家庭和各种行业，其技术和设计原则已良好。但是，电机设计和定制的要求，特别是对于电动汽车和飞机等新应用以及工厂自动化的要求，总是对汽车设计人员构成新的挑战。参数扫描或迭代优化方法经常被使用，以评估大量设计候选者，然后再识别特定任务的最佳设计。对每个电动机设计糖果的准确分析通常依赖于有限元分析（FEA）的数值模拟，这些模拟是耗时的，尤其是当评估一个设计的各种操作点时。因此，希望寻求FEA的替代分析方法来快速预测运动性能。基于替代模型的优化已被研究以加快过程[1]。由于高度非线性的性质，传统替代模型的准确性在预测某些运动性能（例如扭矩波形和效率图）时会受到影响。近年来，机器学习和深度学习方法已经找到了许多应用，并且由于其模拟高度非线性功能的能力而应用于运动设计[2]，[3]。这种方法的一个主要挑战是达到合理预测准确性所需的大型数据集大小。在本文中，我们提出了用于电动机设计优化的数据有效机器学习模型的三种策略：一个，减少用于电机设计的机器学习模型的输入维度；第二，与基于物理的方法结合
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。
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
用于电力、射频、数字和量子计算应用的新兴 GaN 技术：最新进展和前景 /作者=Teo, Koon Hoo；Zhang, Yuhao；Chowdhury, Nadim；Rakheja, Shaloo；Ma, Rui；Xie, Qingyun；Yagyu, Eiji；Yamanaka, Koji；Li, Kexin；Palacios, Tomas /创建日期=2022 年 1 月 13 日 /主题=应用物理、电子和光子器件、机器学习、多物理建模
摘要 GaN 技术不仅在功率和射频电子领域获得广泛关注，而且还迅速扩展到其他应用领域，包括数字和量子计算电子。本文概述了未来的 GaN 器件技术和先进的建模方法，这些技术和方法可以在性能和可靠性方面突破这些应用的界限。虽然 GaN 功率器件最近已在 15-900 V 级实现商业化，但新的 GaN 器件对于探索高压和超低压功率应用非常有吸引力。在 RF 领域，超高频 GaN 器件正用于实现数字化功率放大器电路，并且可以预期使用硬件-软件协同设计方法将取得进一步的进展。GaN CMOS 技术即将问世，这是实现集成数字、功率和 RF 电子技术的全 GaN 平台的关键缺失部分。尽管目前是一个挑战，但高性能 p 型 GaN 技术对于实现高性能 GaN CMOS 电路至关重要。由于其出色的传输特性和通过极化掺杂产生自由载流子的能力，GaN 有望成为超低温和量子计算电子学的重要技术。最后，鉴于新设备和电路的硬件原型设计成本不断增加，使用高保真设备模型和数据驱动的建模方法进行技术电路协同设计预计将成为未来的趋势。在这方面，物理启发、数学稳健、计算负担较少和预测性的建模方法是必不可少的。凭借所有这些以及未来的努力，我们预计 GaN 将成为电子产品的下一个 Si。
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。
基于人工智能的广域监测系统分布式信念传播和循环神经网络算法 /作者=Bhamidipati, Sriramya；Kim, Kyeong Jin；Sun, Hongbo；Orlik, Philip V. /创建日期=2020 年 5 月 14 日 /主题=人工智能、通信、多物理建模、信号处理
摘要 为了对广域电网进行监控，人们开发了广域监控系统 (WAMS)。每个变电站都设有全球定位系统 (GPS) 接收系统以提供可信的授时。因此，对于 WAMS 来说，在广域范围内维持真实的 GPS 授时至关重要。然而，由于未加密的信号结构和低信号功率，GPS 授时容易受到欺骗。因此，为了从欺骗中获得可信的 GPS 授时，人们在人工智能 (AI) 框架下开发了一种新的广域监控算法，该算法由分布式信念传播 (BP) 和双向循环神经网络 (RNN) 组成。这种联合 BP-RNN 算法通过利用其分布式处理能力评估估计的 GPS 授时误差来验证每个变电站的身份。特别是，双向 RNN 在人工智能框架下提供了一种快速的授时误差估计方法。仿真结果验证了该方法比基于 Kullback-Leibler 散度的方法具有更快的检测时间，并且定时误差估计精度超过了 IEEE C37.118.1-2011 标准规定的限制。