XiaoMi-AI文件搜索系统
World File Search System相对误差
二进制化合物的伽马射线屏蔽特征的全面研究
在这项研究中，使用Geant4 Monte Carlo模拟工具，我们研究了氧化铝，氟化镁，氟化铝，氟化铝，二氧化钛，二吡啶镁，镁镁，硅酸镁，二氧化钙，二氧化钙和液态的燃料范围，并在0.015至10 c. 10 c. 10 c.10 c. 10 c. 10 c.10 c.10 c.10 c.10 c上。在这篇综述中，我们已经计算并分析了线性衰减系数（LAC）和质量衰减系数（MAC），半价值层（HVL），第十值层（TVL），平均自由路径（MFP），有效的原子数，有效的原子密度，有效的电子密度，等效原子原子数和构建量和构建因素和构建因素和构建因素。在工作的延续中，我们已经比较了Geant4 Monte Carlo Simulation Tool的质量衰减系数的计算结果与其他人的实验结果，并通过Xmudat代码的仿真数据进行了比较，并且它们的相对误差非常低，并且彼此吻合非常吻合。最后，以适当的数字显示了所选材料获得的结果。
文章 综合知识驱动的空气分类过程人工智能系统
摘要：空气分级装置与其他用于分离材料的系统相比具有明显的优势。它们最大限度地提高了磨机的产能，因此构成了降低破碎和研磨操作能耗的有效方法。由于其性能的改进具有挑战性，因此开发一种有效的建模系统具有重要的实际意义。本文介绍了一种新颖的基于知识的散装材料分类 (FLClass) 系统。研究中考虑了广泛的操作参数：进料材料的平均质量和 Sauter 平均直径、分级机转子速度、工作气压和测试进行时间。输出变量是 Sauter 平均直径和分类产品的切割尺寸，以及工艺性能。该模型已根据实验数据成功验证。测量数据和预测数据之间的最大相对误差低于 9%。所提出的基于模糊逻辑的方法允许对要进行的过程进行优化研究。对于考虑的输入参数范围，分类过程的最高性能几乎等于 362 g/min。据我们所知，本文是公开文献中第一篇涉及模糊逻辑方法对散装材料空气分类过程进行建模的论文。
考虑电池间差异的锂离子电池性能退化建模
摘要 电池组既表现出固有的电池间差异，也表现出温度和其他应力因素的时空差异，从而影响电池退化路径的演变。为了解释这些变化和退化或电池扩散的差异，我们提出了一种利用 3 参数非齐次伽马过程对锂离子电池退化进行建模的方法。该方法可预测任何电池架构的容量衰减或故障时间，并使用加速因子调整电池拟合退化数据的分布。在电池组级别，使用并联和串联配置的伽马分布变量组合对电池进行建模。将不同热条件下的容量衰减或故障时间的实际值与预测值进行比较，显示相对误差在 1 – 12% 范围内。我们还提出了一种通过分析样本量对估计不同电池组退化的影响来估计建模扩散和退化路径演变所需的最少电池数量的方法。这种采样策略对于降低设计电池组、电池管理系统和电池热管理系统所需的运行模拟的计算成本特别有用。
![arXiv:2302.11454v3 [quant-ph] 2024 年 5 月 7 日](/simg/g:\will\search\icon\source\0\065616719c427506bc86c55d47d4ddd87650cf91.png)
arXiv:2302.11454v3 [quant-ph] 2024 年 5 月 7 日
对称群的克罗内克系数是否计数某些组合对象集是一个长期悬而未决的问题。在这项工作中，我们表明给定的克罗内克系数与可以使用量子计算机有效测量的投影仪的秩成正比。换句话说，克罗内克系数计数由 QMA 验证者的接受见证人所跨越的向量空间的维数，其中 QMA 是 NP 的量子类似物。这意味着在给定的相对误差内近似克罗内克系数并不比某一类自然的量子近似计数问题更难，这些问题捕捉了估计量子多体系统热性质的复杂性。第二个结果是确定克罗内克系数的正性包含在 QMA 中，补充了 Ikenmeyer、Mulmuley 和 Walter 最近的 NP 难度结果。对于对称群特征表行和近似的相关问题，我们得到了类似的结果。最后，我们讨论了一种将归一化克罗内克系数近似为逆多项式加性误差的高效量子算法。
用人工智能方法评估知识库数字化转型中创新过程的数字化水平
摘要 本研究旨在设计一个模型来评估知识型企业以人工智能为中心的创新过程数字化水平，从而衡量组织创新过程的数字化成熟度。188项指标的结果以5点李克特问卷的形式和德尔菲法分两次分发给该领域的18位专家。该工作的结果是5个组成部分作为模型的输入，以问卷的形式发送给Pardis科技园区的230家知识型企业。198家公司完成了问卷并寄回。从这个样本数量中，基于随机函数分离出150个数据作为训练数据，48个数据作为模型测试。在最后阶段，即建模阶段，对模型采用自适应神经模糊推理方法。使用MATLAB 2023软件中的网格分离或查找表（PG）方法，使用均方根、误差（RMSE）和相对误差（E）评估模型的性能。本研究能够提供误差极低的智能模型，从而实现创新过程数字化程度的有效指标。
智能电网管理新算法
摘要。随着一个国家经济的发展，能源需求大幅增加。由于全球意识到化石燃料枯竭及其使用引起的气候变化，可再生能源的推广得到了加强。然而，可再生能源本质上是间歇性的。人们推荐了替代解决方案，例如将可再生能源系统整合到传统电网中。整合方法使用光伏、风能和其他可再生能源在高峰负荷或电力备用期间为建筑空间提供可持续能源。在本文中，我们提出了一种管理智能电网中能量流的新方法。开发了两种算法来管理可再生能源与传统电网的存储系统的整合。第一种算法旨在平滑消费峰值并减少从传统电网中提取的电量，而第二种算法旨在根据能源需求最大限度地利用可再生能源。与 HOMER 软件相比，对算法行为进行了可靠性测试，结果显示电网提取管理的最大相对误差为 4.78%。这些算法基于场景和运行参数，用于优化可再生能源在现有电网中的整合。它们的应用将减少化石能源的负面影响并促进能源转型。
一种预测质子短期降解行为的人工智能解决方案交换膜燃料电池
摘要：阳极死区（DEA）和阳极再循环操作通常用于提高汽车质子交换膜（PEM）燃料电池的氢气利用率。由于阳极中的氮交叉和液态水积聚，电池性能会随着时间的推移而下降。高效预测PEM燃料电池的短期降解行为具有重要意义。在本文中，我们提出了一种基于多元多项式回归（MPR）和人工神经网络（ANN）的数据驱动降解预测方法。该方法首先预测电池性能的初始值，然后预测电池性能随时间的变化以描述PEM燃料电池的降解行为。使用PEM燃料电池在DEA和阳极再循环模式下的两种降解数据案例来训练模型并证明所提方法的有效性。结果表明，该方法预测的平均相对误差比仅使用ANN或MPR预测的平均相对误差小得多。两隐层ANN的预测性能明显优于单隐层ANN。使用S形激活函数预测的性能曲线比使用整流线性单元（ReLU）激活函数预测的性能曲线更平滑，更逼真。
空间核动力反应堆自由活塞斯特林发动机设计与分析
自由活塞斯特林发动机因具有高效率、高可靠性、自启动能力强等优点，在航空航天中得到了广泛的应用。本文通过分析空间核动力反应堆的要求，提出了一种20 kW的自由活塞斯特林发动机，并基于改进的简易分析法开发了程序来评估所提自由活塞斯特林发动机的性能。与实验数据进行了对标，输出功率的最大相对误差为17.1%。数值结果表明，输出功率为21 kW，满足设计要求。结果表明：a)减小压力壳厚度可明显提高输出功率；b)系统效率随着导线孔隙率的增加而增大，当孔隙率高于80%时，系统效率的增长速度减缓，且系统效率与冷热侧温度呈线性关系； c) 系统效率随压缩比的增加而增加；压缩比增加 16.7%，系统效率增加 42%。本研究可为空间核动力反应堆 FPSE 的设计和分析提供宝贵的理论支持。© 2020 韩国核学会，由 Elsevier Korea LLC 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
硅介电层不同钝化参数的电容电压曲线模拟
摘要：表面钝化是一种广泛使用的技术，可减少半导体表面的复合损失。钝化层性能主要可以通过两个参数来表征：固定电荷密度（𝑄ox）和界面陷阱密度（𝐷it），它们可以从电容-电压测量（CV）中提取。在本文中，使用模拟钝化参数开发了高频电容-电压（HF-CV）曲线的模拟，以检查测量结果的可靠性。𝐷it 由两组不同的函数建模：首先，代表不同悬空键类型的高斯函数之和和应变键的指数尾部。其次，采用了由指数尾部和常数值函数之和表示的更简单的 U 形模型。使用基于晶体硅上的二氧化硅（SiO 2 /c-Si）的参考样品的实验测量来验证这些模拟。此外，还提出了一种使用简单 U 形 𝐷 it 模型拟合 HF-CV 曲线的方法。通过比较近似值和实验提取的 𝐷 it 的平均值，发现相对误差小于 0.4%。近似 𝐷 it 的常数函数表示在复合效率最高的中隙能量附近实验提取的 𝐷 it 的平均值。
attmoe：注意与锂离子电池的使用寿命预测的专家混合在一起
对于锂离子（锂离子）电池，诸如材料老化和容量衰减之类的问题会导致电池性能降解甚至灾难性事件。预测剩余的使用寿命（RUL）是指示锂离子电池健康的有效方法，这有助于提高电池动力系统的可靠性和安全性。我们提出了一个新型的神经网络Attmoe，该网络将注意力机制与专家（MOE）的混合物结合在一起，以捕获电池RUL预测的容量淡出趋势。面对从传感器收集的原始数据始终充满噪音的问题时，Attmoe使用辍学掩码来代替原始数据。为了进行RUL预测，一个关键思想是，注意机制捕获了序列中的元素和更多注意力之间的长期依赖性，这是对包含更多降级信息的重要特征。另一个关键思想是，MoE使用许多专家来提高模型能力以实现更好的表示。最后，我们使用两个公共数据集进行了实验，以表明ATTMOE在RUL预测中有效，并且在相对误差方面提高了10％–20％。我们的项目都是开源的，可在https://github.com/xiuzezhou/rul上找到。