XiaoMi-AI文件搜索系统
World File Search System经验模型
先进电池管理系统：控制建模与数值模拟
摘要 — 电池管理系统 (BMS) 依赖于经验模型，即等效电路模型，这得益于其数学简单性和低计算负担。然而，经验模型需要经过大量的校准工作，而且它们缺乏跨化学性质的可转移性。此外，无法预测电化学内部状态和考虑退化动态通常会导致电池系统可用性不佳，可能导致不准确的健康状态 (SOH) 估计随时间而变化。一种能够观察和控制电池系统内部变量的先进 BMS 设计对于克服这些限制至关重要，从而为快速增长的能源市场提供持久、更安全且具有成本效益的电池系统。基于物理的电池模型已被视为适合集成到下一代 BMS 中的建模框架之一。在基于模型的估计中，可用的输入/输出传感器信息（例如电流、电压和温度）与电池动态的数学表示一起用于估计内部状态。本教程的目的是回顾基于物理的电池模型的实施挑战，并概述最新的研究趋势，重点关注面向先进 BMS 的基于物理的电池模型硬件实现的数值算法和观察器设计。
直接空气捕获和BECCS技术的部署潜力
•簿记模型是半经验模型，在土地使用变更事件或由于土地管理之后跟踪碳含量的变化•3种全球碳预算中的3型型号：•蓝色（空间上明确为0.25 ver；lmuMünchen/j。Pongratz＆c。schwingshackl）•H＆N/H＆C2023（国家级别；伍德威尔气候研究中心/r。霍顿）•奥斯卡（国家级别; iiasa/t。gasser）
基于各种C率充电条件的锂离子电池的经验能力降解模型
锂离子电池由于其高能量密度，高效率和出色的周期能力而广泛用于许多应用中。一旦可以重复使用一个未知的锂离子电池，衡量其寿命和健康状况就很重要。最有利的测量方法是循环测试，它是准确但时间和容量耗费的。在这项研究中，我们不是周期测试，而是基于C率测试的经验模型，以在短时间内了解电池的健康状况。结果，我们表明，即使一半的充电/放电条件相同，锂离子电池的部分加速电荷/放电条件对于电池容量的降解也非常有效。该观察者提供了一种可测量的方法，可预测电池重复使用和未来容量降解。
锂聚合物电池生命周期的数学建模
本研究是对描述与锂离子聚合物 (Li-Po) 电池的生命周期次数和容量损失相关的行为的数学模型的文献综述。为此，有必要仔细研究所讨论主题的最新进展，以及用于开发已发布模型的基本数学方程。除了理论研究（例如最新技术）之外，还需要回顾数学建模领域，强调经验模型，目的是用科学术语支持所提出的数学关系。本研究贯彻了系统文献综述的标准。使用这种方法使我们能够了解概念的复杂性，并确定对预测锂聚合物电池的寿命和容量损失影响最大的变量。
使用 LSTM RNN 预测锂离子电池循环寿命
锂离子电池因其高能量密度、低成本和长寿命而被广泛应用于电子设备中[1]。作为电池管理系统的一项重要功能，剩余使用寿命预测可以提前提供可能的故障时间，以便进行诊断和预测，并有助于电池单元和系统的制造和运行。同时，这也是一项具有挑战性的任务，因为电池的容量衰减是一个受内部物理和操作条件影响的复杂非线性过程。有许多关于电池剩余使用寿命预测的优秀研究工作，其中基于模型的方法和数据驱动方法是两个主要分支。基于模型的方法建立数学模型或半经验模型来捕捉内部过程、操作条件和电池容量衰减之间的关系。基于第一性原理的
使用优化的 Slack 模型对晶格热导率进行高通量计算评估
设计及其应用，2,4 其中仅需最少的时间和资源即可快速评估 k 是关键。有很多可用的方法来评估 k 。基于第一性原理的非谐晶格动力学 (ALD) 是过去几年中广泛采用的方法。5 然而，使用大型超胞进行的太多力计算虽然可以部分重建，但非常耗时耗资源，6 这限制了其在高通量计算预测 k 中的实际应用。或者，使用经验模型评估 k 是一种更有效、更可行（计算成本更低）的方法，例如 Debye-Callaway 模型、7-9 Slack 模型、10 等。特别是，Slack 模型已广泛应用于评估许多材料的 k，11-13 显示出快速预测 k 和洞察热传输的潜在能力。14-16
使用高斯进程回归机器学习模型的Flyrock投掷预测
I.引言Flyrock是爆炸启动时远离采矿区的岩石质量。通常考虑的第一个参数是：负担，爆炸孔直径，深度，粉末因子间距，茎，爆炸性材料类型和sub-drill在Flyrock预测期间是可控参数。此外，爆炸工程师无法影响的岩石性能是无法控制的参数，例如压缩间距和岩石的拉伸强度。因此，爆炸工程师必须更改第一个参数，以最大程度地减少flyrock掷距离。设计了各种经验方程，以设想由爆破操作[1]，[2]产生的fly架。经验模型是根据flyrock上的几个现场实验的有效参数开发的，即孔直径，爆炸性，茎，负担的密度，弹出材料，粉末因子和孔长度的初始发射速度。因此，这些经验方程的性能预测能力在许多情况下不是很有效[2]，[3]。
基于峰值电力价格
摘要：光伏（PV）的生成取决于太阳资源的可用性，由于PV面板上存在云而导致辐照度的变化直接影响，从而导致功率输出变化。与PV集成的电池储能系统的使用显示为在最大坡道极限内减轻这些功率输出频率的技术可行解决方案。文献中报告的大多数文章都通过与电池降解为控制策略的性能指标来平滑PV功率输出，使用了面向事件的模型，该模型仅考虑循环的数量和排放深度。本文介绍了对电池降解模型的两种方法的比较分析，这是一种基于雨水计数和半经验模型的面向事件的模型，并应用了光伏功率平滑，通过使用广泛的限制和安装的PV工厂能力。半经验降解模型显示所有模拟病例的电池降解较高。对于策略2，该订单比面向事件的模型高50％，这可能是由于严重的DR和RR，这增加了电池的应力。对于策略1，差异更大，在100％至300％之间。基于事件的模型表明策略1暗示电池降低较少，但半经验模型则表明相反。考虑到半经验模型考虑了更多的退化参数，策略2意味着降低较少的事实更可靠。为此，EBAT，SOC控制的参考可以设计为避免在高负载状态下运行。此外，随着操作在高SOC时，由Simses模型获得的结果证实了加速锂电池电池降解的结果。维持EBAT，参考为SOC 80％降低了至少25％的降解，维持EBAT，参考为100％。结果表明，选择简化的降级模型方法可能会导致哪些策略是最好的，因为日历寿命效应在应用PV功率平滑方面非常重要。
来自人工智能专利和文献计量数据的全球证据
在本文中，我们分析了人工智能 (AI) 领域的技术创新与宏观经济生产力之间的关系。我们将最近发布的与 AI 相关的专利和出版物数据嵌入到生产力增长的增强模型中，我们对 OECD 国家进行了估算，并将其与包括非 OECD 国家在内的扩展样本进行了比较。我们的估计为现代生产力悖论提供了证据。我们表明，人工智能技术的发展仍然是一种小众创新现象，在官方记录的生产力增长过程中的作用微乎其微。这一普遍结果，即人工智能与登记的宏观经济生产力增长之间缺乏很强的关系，对于国家样本的变化、我们量化劳动生产率和技术（包括人工智能存量）的方式、经验模型（控制变量）的规范和估计方法的变化都很稳健。
来自人工智能专利和文献计量数据的全球证据
在本文中，我们分析了人工智能 (AI) 领域的技术创新与生产力之间的关系。我们将最近发布的与 AI 相关的专利和出版物数据嵌入到增强的生产力增长模型中，我们对 OECD 国家进行了估算，并与包括非 OECD 国家的扩展样本进行了比较。我们的工具变量估计考虑了 AI 的内生性，为现代生产力悖论提供了证据。我们表明，AI 技术的发展仍然是一种小众创新现象，在官方记录的生产力增长过程中的作用微不足道。这一普遍结果，即AI 与宏观经济生产力增长之间缺乏强有力的关系，对国家样本的变化、我们量化劳动生产率和技术（包括 AI 存量）的方式、经验模型（控制变量）的规范和估计方法的变化都很稳健。