XiaoMi-AI文件搜索系统
World File Search System物理过程
微物理环境对于通过平流层强迫强迫的重要性SO SOCOL-AERV2
摘要。太阳辐射通过持续的SO 2来源的SO 2源到平流层（Strat-SRM）中被提议作为气候干预的一种选择。全球互动性气溶胶 - 化学 - 气候模型通常用于研究假设的Strat-SRM场景的潜在冷却效率和关联副作用。对与交互式平流层气溶胶组成 - 气候模型进行比较研究研究表明，对特定假定的压缩策略的建模气候反应取决于使用的气溶胶微物理方案（例如，模态或分段表示）沿侧宿主模型分辨率和运输。与短期火山相比，SO 2排放量，So Strat-SRM场景中的2个压力可能对微物理过程的数值实施（例如成核，凝结和凝结）构成更大的挑战。本研究探讨了如何改变时间步骤和测序，在截面气溶胶 - 化学 - 化学 - 气候模型SOCOL-AERV2（40个质量垃圾箱）中，如何通过5和25 tg（S）yr-1 yr-1
GEOG 5900，气候学
讲座：周二周四下午 12:45-2:05，McPherson 实验室 2017 讲师：林嘉琳教授 电子邮件：lin.789@osu.edu 这是联系我的最佳方式。电话：614-292-6634 办公室：1128 Derby Hall 办公时间：周四上午 10:30-12:30 助教：Ben Salopek 电子邮件：salopek.7@osu.edu 办公室：1070 Derby Hall 办公时间：周二和周四下午 2:30-3:30 教科书：《大气科学：入门调查》（第二版），作者：John M. Wallace 和 Peter V. Hobbs，Academic Press 出版。（在 OSU 书店订购） Carmen Canvas 将用作课程网站，讲座 powerpoint 文件、参考资料、公告和成绩均发布在此。所有作业将提交给 Carmen。课程目标：本课程旨在广泛介绍气候学，即对地球平均天气状态的研究。重点是行星能量预算、区域气候、气候变化以及过去和未来的气候。能量预算包括太阳能接收、红外辐射损失、湍流热通量和地球大气系统的重新分布，以及大气水分的作用、其全球空间分布及其在能量交换以及云和降水形成中的重要性。课程讲座将描述世界气候的成因和空间分布以及一些观测到的天气现象的物理机制。课程将描述大气小尺度和大尺度运动的物理原因和空间变化。课程将解释 21 世纪气候的分布和成因，并讨论过去气候的分布、重建方法及其可能的解释。本课程还将考虑人类如何有意或无意地成为天气和气候物理过程的一个因素。许多学生会发现课程中讨论的基本概念和思想将应用于他们感兴趣的领域以及日常生活中。成功完成本课程后，学生应 (1) 能够描述大气的结构和成分以及它如何随时间变化；(2) 了解导致地球上太阳辐射能量变化的因素，并能够描述全球辐射平衡；(3) 能够解释导致大气特征形成的物理过程，包括云、降水、风和风暴；(4) 对气体的物理行为以及不同形式的能量及其在大气运动和天气系统中的作用有很好的理解；(5) 对与大气有关的环境问题有很好的理解，包括“温室效应”、臭氧消耗、空气污染和城市气候变化；(6) 能够描述全球温度、
综合终端天气系统 (ITWS) - CiteSeerX
运营计划将通过整合来自各种 FAA 和国家气象局 (NWS) 传感器和气象信息系统的数据来提供此类改进的气象信息。图 1 显示了 ITWS 的主要数据来源和该系统的一些主要用户。图 1 强调了 ITWS 的一项重要技术特征 - 整合来自各种来源的知识，以提供一套有关机场航站区运行重要天气的信息产品。从历史上看，降水的雷达反射率一直是航站区风暴信息的主要来源，机场地面风、温度和湿度信息则出现在单独的字母数字显示屏上。然而，在确定天气的危险程度和时间演变时，热力学因素（即温度和湿度）、风和风暴微物理过程（例如冰晶的形成）与雷达反射率一样重要。通过以科学合理的方式使用各种数据源，ITWS 可以通过创建无法从传感器单独获取的信息产品来解决上述不足之处。ITWS 将通过两种方式实现其主要目标，即减少延误：直接向 FAA 主管和交通管理人员提供信息，以便他们能够更积极地工作以实现高效
野外数据同化火灾 - arXiv
野火是一个复杂的多尺度过程，受与其他地球过程的非线性尺度相关相互作用的影响。导致火灾的物理过程发生在很宽的尺度范围内。虽然天气过程的特征尺度范围超过 5 个数量级，从大型天气系统的百公里尺度到小尺度效应和涡流的米尺度，但与燃料热分解和燃烧相关的化学反应发生在厘米或更小的尺度上，产生的火焰长度高达 60 米。火线以平均速度传播，速度约为几分之一米/秒，同时产生的火焰以 50 米/秒的速度传播，化学反应发生在数秒或更短的量级。火灾产生的风和浮力属于极端大气现象。天气是影响火灾行为的主要外部因素，火灾与大气之间的双向相互作用至关重要——众所周知，火灾会极大地影响其周围的天气。火灾通过动量、水蒸气和热量的流动与大气动力学相互作用，并通过水分和热量保持与土壤相互作用。
地质地层中的气体存储
以GT量表中地质地层中的二氧化碳和氢存储是针对净零碳排放的两种有希望的策略。迄今为止，与更确定的地下二氧化碳存储（UCS）的知识体相比，对地下氢存储（UHS）的研究仍然相对有限。尽管它们类似的物理过程可以用于加速UHS技术的进步，但现有的区别可能会阻碍直接适用性。因此，这篇综述有助于通过多尺度比较来促进UCS和UHS之间的主要差异的基本理解。这些比较涵盖了影响地下气体存储的关键因素，包括存储介质，陷阱PING机制，各自的流体特性，岩石物理特性和注入场景。他们为我们现有的知识从UCS转换为UHS提供了指导，强调了与这些因素有关的因素与诱捕和损失机制相关的必要性。本文还概述了未来的方向，以解决所确定的关键知识差距，旨在增强地质形成氢和二氧化碳存储的利用。
先天性心脏病的心脏电生理学数字孪生
摘要近年来，将机械知识与机器学习融合对数字医疗保健产生了重大影响。在这项工作中，我们引入了一条计算管道，以在先天性心脏病的儿科患者中构建心脏电生理学的数字复制品。我们通过半自动分割和网格划分工具来构建患者特定的几何形状。我们生成了一个涵盖细胞到器官级模型参数的电生理模拟数据集，并利用基于微分方程的严格数学模型。我们先前提出的分支潜在神经图（BLNM）是一种准确有效的手段，用于概括神经网络中的复杂物理过程。在这里，我们采用BLNM来编码硅12铅电图（ECGS）中的参数性时间动力学。BLNM充当了心脏功能的几何特异性替代模型，可快速，健壮的参数估计，以匹配小儿患者的临床ECG。通过灵敏度分析和不确定性量化评估校准模型参数的可靠性和可信赖性。
野火数据同化 - arXiv
野火是一个复杂的多尺度过程，受与其他地球过程的非线性尺度相关相互作用的影响。导致火灾的物理过程发生在很宽的尺度范围内。虽然天气过程的特征尺度范围超过 5 个数量级，从大型天气系统的百公里尺度到小尺度效应和涡流的米尺度，但与燃料热分解和燃烧相关的化学反应发生在厘米或更小的尺度上，产生的火焰长度高达 60 米。火线以平均速度传播，速度约为几分之一米/秒，同时产生的火焰以 50 米/秒的速度传播，化学反应发生在数秒或更短的量级。火灾产生的风和浮力属于极端大气现象。天气是影响火灾行为的主要外部因素，火灾与大气之间的双向相互作用至关重要——众所周知，火灾会极大地影响其周围的天气。火灾通过动量、水蒸气和热量的流动与大气动力学相互作用，并通过水分和热量保持与土壤相互作用。
量子化学中激发态的全电路量子算法
利用量子计算机研究量子化学是当今的一个重要的研究领域。除了广泛研究的基态问题外，激发态的确定在化学反应和其他物理过程的预测和建模中起着至关重要的作用。本文提出了一种基于非变分全电路的量子算法来获得量子化学哈密顿量的激发态谱。与以前的经典-量子混合变分算法相比，我们的方法消除了经典的优化过程，减少了不同系统之间相互作用带来的资源成本，实现了更快的收敛速度和更强的抗噪性，没有贫瘠的平台。确定下一个能级的参数更新自然取决于前一个能级的能量测量输出，并且只需修改辅助系统的状态准备过程即可实现，几乎不会引入额外的资源开销。本文给出了氢、LiH、H2O 和 NH3 分子算法的数值模拟。此外，我们还提供了一个示例
使用变分量子电路估计非马尔可夫性程度
近几年，用于分析各种领域数据的机器学习 (ML) 技术取得了巨大进步。量子物理学也在各个方面受益于机器学习，例如量子系统的控制、分类和估计任务 [1-6]。在这种情况下，机器学习技术已被用来分析从测量量子系统中获得的经典数据。另一方面，人们进行了大量研究，利用量子特性来改进机器学习技术 [7,8]。量子人工神经网络 [9] 和量子核方法 [10] 的开发就是很好的例子。对于量子机器学习算法，学习电路已被证明是一种实用的方法 [11]。考虑到目前可用的噪声中型量子计算机 [12] 只有很少的量子比特（50-100 个量子比特），人们设计了混合量子-经典算法来开发具有自由控制参数的短深度量子电路。这些电路被称为变分量子电路 (VQC) [13-16]。在 VQC 中，优化任务是使用经典优化技术对量子 (量子电路中的自由参数) 和经典参数 (用于后处理) 进行的 [13]。量子技术的主要障碍之一是量子系统与周围环境的相互作用，这会导致量子系统失去相干性 [17]。通常对物理过程进行简化。例如，所谓的马尔可夫近似，其中假设系统的演化不取决于其动态历史，而只取决于其当前状态。因此，忽略记忆方面，这通常可以作为一个很好的近似值。然而，必须强调的是，非马尔可夫特征经常出现在量子系统的动力学中 [18, 19]。此外，一些物理过程强烈地受到非马尔可夫性的影响，例如油藏工程 [ 20 ， 21 ]、状态隐形传态 [ 22 ]、量子计量 [ 23 ]，甚至当前的量子计算机 [ 24 ， 25 ]。此外，非马尔可夫性可以作为一种资源来利用 [ 26 ]。准确确定非马尔可夫性的程度需要大量的测量。此外，对于基于纠缠动力学的非马尔可夫性测量，需要考虑一个辅助量子比特，该量子比特应受到保护以避免与环境相互作用。为了克服这些挑战，机器学习技术（如神经网络 [ 27 ]、支持向量机 [ 28 ]、随机森林回归器 [ 29 ]、基于张量网络的机器学习 [ 30 ] 和多项式回归 [ 31 ]）已用于确定量子过程的非马尔可夫性程度。此外，
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用领域的焦点话题之一。个体传感信息通常用于揭示底层过程动态并识别其中的潜在变化。这些系统通常配备有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船载系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。示例包括线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）