XiaoMi-AI文件搜索系统
World File Search System用电
利用电子塑料废物和粉煤灰提高混凝土性能：一种可持续的方法
摘要 这项广泛的研究项目调查了电子塑料废物（称为电子塑料）作为混凝土生产附加成分的创新用途。从非正规部门向更结构化和规范化的系统的转变不仅对于解决日益严重的电子垃圾问题至关重要，而且对于环境保护也至关重要。为了实现这一目标，这项研究收集并使用了从过时的电子设备中获得的废弃电子塑料颗粒。该研究主要集中于对含有不同比例废弃电子塑料（从 4% 到 24% 不等）的混凝土样品的机械、耐久性和微观性能 (XRD) 进行全面分析。此外，该研究引入了一种改进方法，即用占总重量 10% 的粉煤灰代替部分水泥，目的是改善电子塑料灌注混凝土的整体特性和性能。进行这些实验是为了更全面地了解混凝土的行为，包括其结构完整性和整体性能特征。这项研究显著提高了混凝土的可加工性、机械强度和耐久性。
使用电气
摘要使用Lebong Regency Bingin Kuning区的Pungguk Pedaro村的电阻率层析成像（ERT）研究了潜在热液区域的岩石岩性。现场数据采集使用480米长的拉伸长度与形成直线的MAE X612-EM地理电工具。ert方法，使用RES2DINVX64软件。该研究旨在确定构成水热区域的岩石的潜在水热区域的地下条件。这项研究的结果可以得出结论，Pungguk Pedaro村以粘土，砂岩，砂岩，安山岩，玄武岩和花岗岩岩石为主。在这项研究中，用六行进行了测量，以将电阻率值的变化视为识别潜在地热岩性的参考。有1条线切成五行以验证每条线的电阻率值。第1行没有水热分布的潜力，因为水热水与山水混合在一起，因此该线只能提供地下水。
固定应用电池 - Materinex
MateriNex 的主要目标是支持积极从事材料研究的佛兰德公司，同时考虑到欧盟的研究议程和佛兰德政府的政策重点。一项调查显示，这些需求位于高风险的长期研究领域。对于每个 MateriNex 创新主题，都制定了一个展望 2030 年的路线图，确定了未来几年与基础和应用研究相关的优先事项以及要考虑的资助工具，例如战略基础研究 (SBO) 和/或跨学科合作研究 (ICON)。该路线图将用于组织项目建议书征集和评估提交的项目建议书。然而，它是一个动态工具，将根据与广泛利益相关者（共同利益集团 (CIG)）的协商根据需要进行调整。
利用电子束熔化技术实现金属增材生产
真正的 3D 嵌套是 EBM 打印如此高效的原因。虽然电子束非常快（单个电子束可以同时保持多达 70 个熔池“活跃”），但需要时间将构建空间加热到其工作温度。但一旦达到温度，EBM 就可以打印从构建板到构建包络顶部的零件堆栈。这大大降低了生产每个零件所需的平均时间。一次运行的零件越多，EBM 的生产力就越高。
人工智能用电量激增：重新思考电网规划和管理的机会
人工智能计算需求的空前快速增长预计将使全球年度数据中心 (DC) 增长率从 7.2% 提高到 11.3%。我们预测了几个电网 5 年的人工智能 DC 需求，并评估它们是否能实现所需的人工智能增长（资源充足性）。如果不能，则考虑采取几项“绝望措施”——通过牺牲新 DC 可靠性来实现更多负载增长并保持电网可靠性的电网政策。我们发现两个 DC 热点——EirGrid（爱尔兰）和 Dominion（美国）——将难以容纳人工智能增长所需的新 DC。在 EirGrid 中，放宽新 DC 可靠性保证可将可用功率提高到 1.6 倍至 4.1 倍，同时保持新 DC 的实际功率可用性为 99.6%，足以满足 5 年的人工智能需求。在 Dominion，放宽可靠性保证可同样增加可用的 DC 容量（1.5 倍至 4.6 倍），但不足以满足 5 年的 AI 需求。新的 DC 仅获得 89% 的电力可用性。对其他美国电网（SPP、CAISO、ERCOT）的研究表明，有足够的容量来满足预计的 AI 负载增长。我们的结果表明需要重新考虑充分性评估以及电网规划和管理。新的研究机会包括协调规划、包含负载灵活性的可靠性模型和自适应负载抽象。
用电池和超级电容器混合系统优化微电网效率
摘要。微电网是小型网络，由几种可再生能源组成，例如风光，阳光，地热，生物能源，水等。，但是该系统的缺点是在波动的力量，当源在一定时间不会产生功率时。因此，当源无法提供足够的负载时，需要电源媒体（例如电池和超级电容器）来保持意外情况。这项研究的目的是对使用电池添加超级电容器并在没有超级电容器的情况下比较电池存储介质的效果。从研究的结果中发现，超级电容器的添加可以将电池稳定性从50％的充电状态（SOC）降低到47％，然后开始时，它在1秒时将其增长了50％，并且可以将其他充电设置为我们的喜好。如果电池存储介质没有超级电容器，则电池充电往往会从50％下降，并且继续下降而没有任何增加。因此可以得出结论，加上超级电容器能够维持微电网系统中电池的性能。1简介微电网是由许多分散能源组成的小型独立电源系统。将可再生能源整合到当前电网中是一个明智的举动，因为它由电荷和存储设备组成[1]。通过微电网将风和太阳能整合到分布网络中，被广泛认为是使用环境可再生能源的成功策略。然而，微电网的大小很小，自我调节的能力较差。因此，由于主动功率和电压稳定性的平衡[1] [13]非常容易受到风与太阳能输出功率的变化以及用户能源需求的变化，因此必须解决微电网操作的关键问题。为了克服电力供应和负载的波动，现在正在开发储能技术。一种智能解决方案是将不同类型的储能存储的优点结合到一个混合系统中。结合了一包超级电容器和锂离子电池包的配置，能够覆盖每种存储的弱点，同时利用两种互补的优势[2] [14]。超级电容器为应对瞬时负载变化提供了即时功率，而锂离子电池则存储了大量能量以进行长期备份。因此，该混合系统可以是将波动可再生能源整合到电网中的可靠解决方案[2] [3]。此外，还将模拟单个能量存储（电池），以查看与双/混合能源存储的比较。提出的解决方案是通过应用杂交概念来提高系统效率，
消费者使用电池和微型动力的最新标准化，认证和监管更新
IEC and UN • UN 38.3 - UN Manual of Tests and Criteria, Lithium Metal and Lithium-Ion Batteries, applicable for packs and cells — mandatory/required for safe transportation of battery cells (IEC 62281 „equivalent”) • IEC 62133-1 Secondary Cells and Batteries Containing Alkaline or Other Non-Acid Electrolytes - Safety Requirements for Portable Sealed Secondary Cells, and for由它们制成的电池，用于便携式应用程序 - 第1部分：镍系统•IEC 62133-2：2017/ AMD1/ AMD1：2021含有碱性或其他非酸化电解质的次要电池和电池 - 便携式密封二级单元的安全要求 - 由它们制成的电池，以及用于Portable Systems的电池，用于Portable System•IEC 6006•IEC 6006 008 IEC 6006 008 IEC 6008 50604-1：2016/A1：2021轻电动汽车（电动汽车）应用
使用不确定性的实用电池健康监测 -
摘要 - 在电动流动性时代，重力健康监测和预测对安全，可持续性和经济方面产生巨大影响至关重要。现有的研究通常集中于预测准确性，但倾向于忽略可能阻碍技术在现实世界应用中部署的实际因素。在本文中，我们解决了这些实际注意事项，并基于贝叶斯神经网络来开发模型，以预测电池寿命。我们的模型使用与电池健康有关的传感器数据，并将分布（而不是单点）应用于模型的每个参数。这使模型可以捕获电池健康的固有随机性和不确定性，这不仅会导致准确的预测，而且导致可量化的不确定性。我们进行了一项实验研究，并证明了我们提出的模型的有效性，预测错误率为13.9％，对于某些测试的电池，预测率为13.9％。此外，所有预测均包括可量化的确定性，从电池的初始阶段到中年阶段提高了66％。这项研究对电池技术具有实际价值，并有助于加速行业的技术采用。索引术语 - 预算健康监测，临终预测，机器学习，工业人工智能
ESTANE® TPU 用于矿用电缆
采矿电缆护套是抵御环境损害、化学物质和生物攻击的第一道防线。路博润的 Estane ® TPU（热塑性聚氨酯）具有采矿电缆所需的卓越性能和优势，可承受极端温度并满足日常需求。
引用：Padula WV，Armstrong DG，Pronovost PJ等。使用电子学习来预测住院患者的压力损伤风险
与标准护理相比，使用机器学习预测医院获得的压力损伤风险的抽象目标。设计，我们获得了电子健康记录（EHR），以构建具有压力损伤风险的住院患者的多级队列，然后校准机器学习模型以预测未来的压力损伤风险。优化方法与多级逻辑回归结合使用，以开发一种随着时间的流逝风险转移的预测算法。测试了包括随机森林在内的机器学习方法，以识别该算法的预测特征。我们报告了回归方法的结果以及预测模型的接收器工作特性（ROC）曲线下的面积。设置住院的住院患者。参与者EHR在2家学术医院的5年内35 001住院。主要结果衡量压力损伤风险的纵向变化。结果，通过机器学习产生的特征的预测算法可显着改善压力损伤风险的预测（P <0.001），而ROC曲线下的面积为0.72；而标准护理仅在ROC曲线下实现了0.52的区域。在0.50的特异性下，预测算法的灵敏度为0.75。结论这些数据可以帮助医院在患者脆弱性的医院获得压力损伤的关键时期内保护资源，而美国医疗保险不会报销。因此，在平均500张病床的医院中，每年每年3万至90 000个劳动小时。医院可以使用这种预测算法来启动预防压力损伤的质量改进计划，并进一步将算法定制为设施特定于患者的差异。