XiaoMi-AI文件搜索系统
World File Search System移动速度
关于受到训练移动载荷的岩石隧道动态反应的实验研究
很明显，测量点的PPA在同一火车移动速度下进行的各种测试中有所不同，这是由于实验和数据收集误差所致。当火车移动速度在4.39–15.8 m/s范围内变化时，不同测量点的PPA变化范围存在明显差异。The PPA variation ranges of measuring points on tunnel wall, including tunnel vault (TV), tunnel left spandrel (TLS), tunnel right spandrel (TRS) and tunnel invert (TI), are about 7.0–10.0 m/s, 2.0–11.0 m/s, 2.5–15.0 m/s, 1.5–4.5 m/s, respectively.包括D2和D5在内的周围岩石质量内的测量点的PPA变化范围为1.5-8.0 m/s和2.0-
道路相关数据及其使用方法呼吁...
大数据：大数据是指数据量太大、太复杂、移动速度太快或结构太弱，例如无法使用手动和传统数据处理方法进行评估。大数据通常来自不同来源，格式也不同。大数据通常用作数字技术的统称，从技术角度来说，它代表着数字通信和处理的新时代，从社会角度来说，它代表着社会变革。大数据还描述了用于收集和评估这些数据量的复杂技术，包括人工智能和物联网。对于这个项目，大数据还包括社交网络数据。
无量纲分析选择定向能量沉积……
人们对用于制造和修复薄壁结构的定向能量沉积工艺的兴趣日益浓厚，这促使人们更深入地了解该方法的基本构造块的特性：覆层形成。在本研究中，研究了通过沉积 316L 不锈钢 (SS316L) 粉末获得的覆层，其中三个不同的工艺参数是激光功率、激光移动速度和粉末质量流速。通过每个参数的宽样本范围来确保可重复性。从数据测量来看，覆层的平均硬度接近 SS316L 材料的典型 200 Hv，表明 Hall-Petch 效应占主导地位。研究还表明：(i) 激光功率是影响覆层深度的最重要因素，但对覆层厚度影响不大。(ii) 激光移动速度是影响覆层高度的主要参数。 (iii) 粉末质量流速往往会通过厚度增加来补偿深度减少，因此对包层高度没有明显影响。观察到增加激光功率是防止在零稀释下形成包层的最有效方法，零稀释是衡量打印包层与基材结合程度的指标。从 SS316L 包层组得出了无量纲分析。通过使用不同的不锈钢数据集进行验证并推断到更大的参数范围，证明该分析能够促进工艺参数的选择，以满足对包层尺寸的给定要求。由于其应用直观，该分析有可能被用作标准的预打印工具，以提高成功率，从而改善制造周转时间。
采用高能直接沉积（DED）工艺层压钴铬合金...
本研究采用定向能量沉积（DED）工艺来增材制造钴铬合金材料，该材料常用于模具、牙科/骨科医疗应用、车辆和飞机。利用DED技术获得的沉积质量受工艺参数的影响。因此，本实验的目的是评估激光功率、激光头移动速度和送粉速率等参数变化引起的微观结构变化，以改善和优化堆叠质量。利用光学显微镜分析了微观结构的形状、热影响区和稀释率。此外，还计算了全局能量密度（GED），因为它会影响3D打印产品的质量。通过计算不同工艺条件下的GED，确定DED方法的最佳工艺条件。
基于计算机视觉的机器人手势
本文提出了一种使用YOLO算法估算车速的新方法。通过分析车辆沿连续线的运动，系统可以计算车辆的移动速度以及覆盖已知距离所需的时间。与基于物理数据的传统方法不同，此方法仅使用视频数据，使其无创和可用作为现有监视摄像机。Yolo附加使用或复杂安装。与传统方法相比，这种方法侧重于诸如准确性，适用性和及时性等因素。通过成功的实验，我们证明了基于YOLO的系统可以高精度估算车辆速度，并为自动驾驶汽车控制和交通管理提供了良好的解决方案。该计划还提供了一个机会，可以通过为全球交通监控提供成本效益和大规模的解决方案来改变交通监控。
2025 年 11 月 - deftech | 国防未来技术
评估：《连线》杂志的报道透露，国防部在 8 月份的技术准备实验 (T-Rex) 活动期间测试了由艾伦控制系统公司制造的 Bullfrog 系统。该系统由一把 7.62 毫米 M240 机枪组成，安装在专门设计的旋转炮塔上，配备光电传感器、专有人工智能和计算机视觉软件。它旨在向小型、快速移动的无人机发射小型武器火力，尤其是成群的小型无人机，其中许多无人机的移动速度和灵活性都远远超出人类操作员的跟踪能力。公司总裁史蒂夫·西蒙尼表示，需要一种自主解决方案，“以解决在几百码外击中以 5 G 加速度加速的快速无人机的问题……大疆无人机比我的手稍大，我们的系统可以在 200 码外两枪击落一架。”
空中石油观测 - 清洁加勒比海和美洲
如果有风和洋流数据，预测石油位置的任务就会变得简单，因为两者都对浮油的移动有影响。经验表明，浮油会以大约 3% 的风速顺风移动。在存在地表水流的情况下，任何风驱动的运动都会叠加上 100% 水流强度的石油额外运动。在靠近陆地的地方，预测石油运动时必须考虑任何潮汐流的强度和方向，而在更远的海上，其他洋流的贡献比潮汐运动的周期性更重要。因此，了解盛行风和洋流后，就可以从已知位置预测浮油的移动速度和方向，如上图 1 所示。存在可以绘制石油泄漏轨迹的计算机模型。计算机模型和简单的手动计算的准确性取决于所用水文数据的准确性以及风速和风向预测的可靠性。
2024
Great Cios知道技术的发展很快，并且连接的领导者移动速度更快。Inspiretoronto汇集了多伦多最大组织的杰出CIO，以增强领导力的效果，创造价值，减轻风险并分享成功。由会员领导的非商业计划促进了有意义的专业关系，从而为共同的挑战提供了合作，以获得领导优势。没有关于如何成为一家出色的CIO的教科书。领导者通过与其他面临类似挑战的人合作通过同行合作来增强专业敏锐度。虽然Inspiretoronto的行业和组织各不相同，但成功的领导方法是普遍的。成员了解可信关系的“超级大国”。在任何CIO的聚会中，答案都在房间里。通过常规的成员主导的事件和互动，高管共同努力的集体力量产生了巨大的价值。
原创文章 基于Python编程的搅拌摩擦焊接头力学性能分析人工智能算法
摘要：在现代计算科学中，机器学习和优化过程之间的相互作用标志着最重要的发展。优化在机械工业中起着重要作用，因为它可以降低材料成本、减少时间消耗并提高生产率。最近的工作重点是对搅拌摩擦焊接工艺进行优化任务，以获得搅拌摩擦焊接接头的最大极限抗拉强度 (UTS)。为此选择了两种机器学习算法，即人工神经网络 (ANN) 和决策树回归模型。输入变量为工具转速 (RPM)、工具移动速度 (mm/min) 和轴向力 (KN)，而输出变量为极限抗拉强度 (MPa)。观察到，在人工神经网络的情况下，训练和测试集的均方根误差分别为 0.842 和 0.808，而在决策树回归模型的情况下，训练和测试集的均方根误差分别为 11.72 和 14.61。因此，可以得出结论，ANN 算法比决策树回归算法提供更好、更准确的结果。
屈服应力流体中连续嵌入液滴打印用于药物颗粒合成
通过剪切变稀，在临界施加应力下可逆地从固体转变为流体。[2] 屈服应力流体是一类非常有用的材料，可实现众多应用，包括表面涂层、各种食品和消费品、注射药物输送[3–5] 和各种形式的 3D 打印。[6–9] 通过平移浸没在屈服应力流体浴中的喷嘴，同时注入不混溶相，可以生成嵌入的液滴。喷嘴的移动使流体浴屈服并流化，由于注入相与流体材料的表面张力，液滴形成。形成后，由于流体浴的有效屈服应力超过了液滴上的浮力应力，液滴静态悬浮在原位[10–12]，并且即使不使用表面活性剂，它们在空间上也是孤立和稳定的。先前的研究已经为屈服应力流体与不混溶注入相的模型配对建立了可用的操作空间以及喷嘴移动速度与液滴直径之间的关系。[1]