XiaoMi-AI文件搜索系统
World File Search System能量的
不同液态空气能量的技术经济分析...
随着可再生能源在能源系统中的使用越来越多，由于太阳能和风能等能源的间歇性，电网稳定性成为一个主要问题。为了弥补可再生能源的不稳定，存储技术已被视为有效的方法。液态空气储能 (LAES) 因其固有优势而受到广泛关注：不受地理限制和能量密度高。本文对存储容量为 10 MW / 80 MWh 的 LAES 系统进行了技术经济分析。根据净现值 (NPV) 和回收期对 LAES 的三种不同布局进行了评估和比较。经济结果表明，采用 2 级压缩机和 3 级膨胀机的 LAES 系统（案例 1）的净现值最大，为 91810 万美元，比采用 4 级压缩机和 4 级膨胀机且不带（案例 2）/带（案例 3）附加有机朗肯循环 (ORC) 的系统高出 33.7% 和 10.7%。此外，案例 1 的投资回收期最短，为 6.2 年，而案例 2 和 3 的投资回收期分别为 6.9 年和 6.4 年。这意味着案例 1 是所研究的 LAES 系统最有利可图的布局。
具有两个预后湍流能量的湍流方案的稳定数值实现
摘要：在本文中，我们提出了对三阶矩矩的两能量配置的新的，更稳定的数值实现，并提出了统一的凝结和N依赖性求解器（TOUCAN）湍流方案。toucans中的原始时间稳定方案往往会遭受稳定的地层湍流中的虚假振荡。由于它们的高频，振荡类似于由湍流交换系数与稳定性参数之间的耦合引起的所谓纯正。但是，我们的分析和仿真表明，两能方案中的振荡是由使用特定隐式的使用 - 对放松条款的明确时间离散化引起的。在Toucans中，放松技术用于预后湍流能量方程中的源和耗散项，以确保相对较长的时间步长的数值稳定性。我们既提出了详细的线性稳定性分析和分叉分析，这表明时间步骤超过关键时步长度的时间步骤是振荡的。基于这些发现，我们提出了有关涉及条款的新负担得起的时间离散化，以使计划更具隐式。这可以确保具有足够精度的稳定解决方案，以实现更广泛的时间步长。我们确认了理想化的1D和完整3D模型实验中的分析结果。
一个具有能量的案例研究，Exergy
这项研究对具有功率，冷却和加热的三角族系统进行了建模和分析。在这种情况下，研究了该三角系统的功率，冷却和加热的能量，运输和最佳单位能量成本。通过在ESTAB租用的沼气发电厂中实现沼气，对Afyonkarahisar City的清洁能源潜力转化。电源单元（PU）的高温排气气体针对吸收冷却系统的发电机，操作冷却单元（CU）。仍然很热的发电机的排气气，启动一个加热单元（HU）进行空间加热，并释放到大气中。由于现有发电厂的优化，能源效率，燃料效率，燃油消耗和单位电力成本为39.54％，34.65％，0.3161 kg/s和0.042 $/kWh。通过将优化的冷却单元集成到动力单元，能源效率，自动效率和工厂的单位冷却成本为54.2％，43.39％和0.0352 $/kWh。最后，随着加热单元与植物的整合，植物的能源效率，充足的效率和单位供暖成本分别为74.2％，50.14％和0.0178 $/kWh。
库仑能量的 Lieb-Oxford 下限及其重要性
摘要 ：Lieb 和 Oxford (1981) 以电子密度局部泛函的形式导出了库仑排斥能间接部分的严格下限。给定电子数 𝑁 的最大下限单调地取决于 𝑁，并且 𝑁→∞ 极限是所有 𝑁 的界限。这些界限已被证明适用于交换和交换关联能量的精确密度泛函，必须近似这些能量才能准确且高效地描述原子、分子和固体。由此导出了双电子基态的精确交换能的严格界限，并推测适用于所有自旋非极化电子基态。这些和其他精确约束中的一些已被用于构建超出局部密度近似的两代非经验密度泛函：Perdew-Burke-Ernzerhof (PBE) 广义梯度近似 (GGA) 和强约束和适当规范 (SCAN) 元 GGA。
b'我们考虑由小型、自主设备组成的网络，这些设备通过无线通信相互通信。在为此类网络设计算法时，最小化能耗是一个重要的考虑因素，因为电池寿命是一种至关重要的有限资源。在发送和侦听消息都会消耗能量的模型中，我们考虑在任意未知拓扑的无线电网络中寻找节点最大匹配的问题。我们提出了一种分布式随机算法，该算法以高概率产生最大匹配。每个节点的最大能量成本为 O (log n )(log \xe2\x88\x86) ，时间复杂度为 O (\xe2\x88\x86log n )。这里 n 是节点数量的任意上限，\xe2\x88\x86是最大度数的任意上限； n 和 \xe2\x88\x86 是我们算法的参数，我们假设它们对所有处理器都是先验已知的。我们注意到，存在一些图族，对于这些图族，我们对能量成本和时间复杂度的界限同时达到多项对数因子的最优，因此任何显著的\xef\xac\x81 改进都需要对网络拓扑做出额外的假设。我们还考虑了相关问题，即为网络中的每个节点分配一个邻居，以便在最终节点发生故障时备份其数据。在这里，一个关键目标是最小化最大负载，定义为分配给单个节点的节点数。我们提出了一种有效的分散式低能耗算法，该算法确定一个邻居分配，其最大负载最多比最优值大一个多项对数 (n) 因子。'
b'我们考虑由小型、自主设备组成的网络，这些设备通过无线通信相互通信。在为此类网络设计算法时，最小化能耗是一个重要的考虑因素，因为电池寿命是一种至关重要的有限资源。在发送和侦听消息都会消耗能量的模型中，我们考虑在任意未知拓扑的无线电网络中寻找节点最大匹配的问题。我们提出了一种分布式随机算法，该算法以高概率产生最大匹配。每个节点的最大能量成本为 O (log n )(log \xe2\x88\x86) ，时间复杂度为 O (\xe2\x88\x86log n )。这里 n 是节点数量的任意上限，\xe2\x88\x86是最大度数的任意上限； n 和 \xe2\x88\x86 是我们算法的参数，我们假设它们对所有处理器都是先验已知的。我们注意到，存在一些图族，对于这些图族，我们对能量成本和时间复杂度的界限同时达到多项对数因子的最优，因此任何显著的\xef\xac\x81 改进都需要对网络拓扑做出额外的假设。我们还考虑了相关问题，即为网络中的每个节点分配一个邻居，以便在最终节点发生故障时备份其数据。在这里，一个关键目标是最小化最大负载，定义为分配给单个节点的节点数。我们提出了一种有效的分散式低能耗算法，该算法确定一个邻居分配，其最大负载最多比最优值大一个多项对数 (n) 因子。'
线性编程方法在构建优化分布式能量的数学模型中的应用
摘要：波兰经济面临着波兰能源未来的巨大挑战。当前的能源系统非常不具备，它消耗了巨大的资源，就像具有较高能源效率的国家一样，可以将其分配给低碳和可再生能源网络的发展。目前，波兰能源部门与煤炭单一文化有关，缺乏电力，整个传输系统已经过时。该解决方案可能是分配的能源，最终可以满足城市化地区和农村地区的能源供应，同时保证这些地区的可持续发展。为了面对更好地理解和解释如此复杂的现实的挑战，因此决定本文的研究框架将在该地区分发。本文的目的是确保在创新，生态学条件下使用当地能源对竞争区域能源开放的能源安全。当前，据信，分布式能量可以是解决常规能源运行问题的有效解决方案。
能量和心理能量的概念能否丰富我们对创伤经历、慢性疾病和残疾的社会心理适应的理解？
本文旨在让读者熟悉心理能量 (PE) 的概念，以及它在深化我们对心理社会适应创伤性生活事件以及更确切地说是慢性疾病和残疾 (CID) 发病的理解方面所起的作用。为了实现这一目标，采取了以下步骤：首先，简要回顾了物理学领域传统上所设想的能量、力和作用的性质。其次，概述了 PE，重点强调了其历史基础以及其在社会、健康和康复心理学领域的当前概念。特别强调了 PE 在适应压力、创伤和 CID 发病领域的应用。第三，回顾了传统上用于评估 PE 及其动态的性质、内容和规模的测量工具。最后，提出了关于 PE 的维度结构、过程和动态的新观点，它与身体能量在概念上的相似性，以及它与经历创伤和 CID 后社会心理适应过程的潜在和更深层次的联系。
基于能量的回归实用学习建议
近年来，基于能量的模型 (EBM) 在机器学习中经历了复苏，包括成为概率回归的有前途的替代方案。然而，基于能量的回归需要手动设计一个用于训练的提议分布，并且必须在测试时提供初始估计。我们通过引入一种概念上简单的方法来自动学习有效的提议分布来解决这两个问题，该方法由单独的网络头参数化。为此，我们得出了一个令人惊讶的结果，即得出一个统一的训练目标，该目标共同最小化从提议到 EBM 的 KL 分歧，以及 EBM 的负对数似然。在测试时，我们可以对训练过的提议进行重要性抽样，以有效评估学习到的 EBM 并产生独立的预测。此外，我们利用我们得出的训练目标，通过联合训练的基于能量的教师来学习混合密度网络 (MDN)，在计算机视觉领域的四个真实世界回归任务中，其表现始终优于传统的 MDN 训练。代码可在 https://github.com/fregu856/ebms_proposals 获得。
高能量的量子机学习中的挑战和机遇
本报告是作为由美国政府机构赞助的工作的帐户准备的。既不是任何雇员，他们的任何雇员，其任何雇员，分包商或其雇员，都能对准确性，完整性或任何第三方使用或任何信息的使用结果，或代表其使用任何信息，私人或代表其使用权的保证，或承担任何法律责任或责任，或者任何第三方使用，或者没有任何信息，或代表其使用权，或代表其使用权，或代表其使用权限，或代表其使用权限。 以本文提及任何特定的商业产品，流程或服务，商标，制造商或其他方式不一定构成或暗示其认可，建议或受到美国政府或其任何机构或其承包商或其承包商或分包商的认可。 本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。既不是任何雇员，他们的任何雇员，其任何雇员，分包商或其雇员，都能对准确性，完整性或任何第三方使用或任何信息的使用结果，或代表其使用任何信息，私人或代表其使用权的保证，或承担任何法律责任或责任，或者任何第三方使用，或者没有任何信息，或代表其使用权，或代表其使用权，或代表其使用权限，或代表其使用权限。以本文提及任何特定的商业产品，流程或服务，商标，制造商或其他方式不一定构成或暗示其认可，建议或受到美国政府或其任何机构或其承包商或其承包商或分包商的认可。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。