XiaoMi-AI文件搜索系统
World File Search System设计优化
对电动机设计优化的数据驱动的替代模型的评论
摘要 - 电动机是电子推进系统的核心组成部分之一，在该行业中起着至关重要的作用。电动机的最佳设计提出了一个复杂的非线性问题，通常会挑战传统方法，以在准确性和效率之间取得平衡。实现准确的分析和整体优化通常需要大量的计算要求，尤其是在与大型个人打交道时。结果，研究人员开始探索数据驱动的替代模型来解决这一困境的利用。本评论论文着重于研究用于构建数据驱动的替代模型的领先技术，以协助和促进电动机的设计优化过程。这些技术包括统计模型，机器学习模型，深度学习模型和其他基于人工智能的技术。本文对基本原则进行了全面的调查，并提供了利用这些不同模型的研究的详细示例。此外，这些模型的性能和潜力都以评论为强调，从而阐明了它们各自的优势和局限性。此外，讨论了在此主题下提出的研究挑战，并有望在此主题下进行改进的途径。索引术语 - 手工智能，数据驱动的模型，深度学习，电动机，机器学习，优化，替代模型。
研究文章 增材制造设计中的多学科设计优化
增材制造 (AM) 设计涉及各个设计领域的决策，包括产品设计、材料选择和工艺规划。在实践中，工程师通常采用顺序设计流程按顺序优化这些设计领域。但是，顺序设计流程中没有充分考虑耦合因素，例如共享变量、相关约束和冲突目标，导致工作流程效率低下和设计解决方案不理想。为了解决上述问题，本文提出了一个多学科设计优化框架来同时优化不同的领域，从而能够在复杂约束下快速探索和充分利用 AM 设计空间。更具体地说，所提出的框架基于并发优化方法，通过允许自动交换设计信息来协调不同设计领域的优化。此外，该框架还利用替代建模方法来近似高保真模拟，以促进迭代过程。通过两个示例验证了所提框架的有效性，一个是带孔设计的板，另一个是钩子设计，这两个示例涉及工艺和结构领域的多个设计目标，即打印时间、打印面积、应变能和最大 von Mises 应力。
基于人工智能的增材制造修复设计优化方法（混合方法）
摘要：使用增材制造 (AM) 进行修复和恢复的概念是在破损的部件上构建新的金属层。这对于市场上不再可用的复杂零件是有益的。优化方法用于解决产品设计问题，以生产高效且高度可持续的产品。设计优化可以改进零件的设计，从而提高在报废 (EoL) 阶段使用增材制造进行修复和恢复过程的效率。在本文中，目标是回顾在 EoL 阶段或 EoL 阶段再制造和恢复产品的策略，并使用 AM 促进该过程。再制造的设计优化对于减少维修和恢复时间非常重要。本综述论文重点介绍了 AM 在修复和恢复方面的主要挑战和限制。分析和介绍了各种 AI 技术，包括可以集成到 AM 设计中的混合方法。本文强调了研究差距并为未来的研究方向提供了建议。总之，将人工神经网络（ANN）算法与遗传算法相结合作为一种混合方法是解决局限性的关键解决方案，也是使用增材制造进行修复和恢复的未来。
可再生能源与抽水蓄能相结合：不确定性和其他挑战下的设计优化
摘要：随着可再生能源渗透率的提高，混合可再生能源系统与抽水蓄能相结合变得越来越受欢迎。这种配置在通常不与大陆电网相连的偏远地区更为繁荣，这些地区的能源独立挑战加剧。本研究侧重于从建立可再生能源最佳组合的角度设计此类系统，利用可再生能源的互补性和协同作用，结合抽水蓄能的多功能性。然而，这种设计具有相当大的复杂性，一方面是要满足多个目标和约束，另一方面是内在的不确定性，这些不确定性涵盖了所有底层过程，即外部和内部。在这方面，我们利用希腊爱琴海锡夫诺斯岛提出的混合可再生能源系统布局，在确定性和最终随机性设置中开发和评估综合模拟优化方案，揭示不确定性保护下的设计问题。具体来说，我们考虑了三个主要的不确定因素，即风速（自然过程）、能源需求（人为过程）和风能到电能的转换（内部过程，以概率功率曲线表示）。我们还强调了有关系统关键设计参数（水库规模和太阳能发电量）的决策程序，这是通过彻底解释不确定性感知优化结果来实现的。最后，由于拟议的抽水蓄能项目使用海洋作为下水库，因此需要解决额外的技术挑战。
通过控制面板设计优化空间利用率和安全性白皮书 8000-02
自 1955 年以来，Panduit 的好奇心和解决问题的热情使公司的业务目标与市场成功之间建立了更有意义的联系。Panduit 为整个企业环境（从数据中心到电信机房，从桌面到工厂车间）创建了领先的物理、电气和网络基础设施解决方案。Panduit 总部位于美国伊利诺伊州廷利帕克，在全球 112 个地区开展业务，凭借其在质量和技术方面的领先地位以及强大的合作伙伴生态系统，帮助支持、维持和推动互联世界中的业务增长。
考虑路径相关性能的飞机多学科设计优化
有许多人直接或间接地帮助我完成了这篇论文，我真心希望在这里一一感谢他们。我的导师 Joaquim RRA Martins 教授让我产生了优化一切的内在愿望——飞机、轨迹、我的生活——对此我深表感谢。Martins 教授帮助我用好奇和批判的眼光看待世界，我将带着这种眼光度过我余下的研究旅程。我特别感谢 Justin Gray，他鼓励我申请 MDO 实验室，在我在美国宇航局工作期间指导我，并在我攻读博士学位期间与我合作，为我着想。Justin 对我的生活产生了多么积极的影响，我无法用言语来形容。我还要非常感谢 Charles Mader 博士，他耐心地帮助我（远程和亲自）进行更好的研究。我和实验室同事开玩笑说，我们站在加拿大人的肩膀上，而 Mader 博士为我们打下了坚实的基础。我感谢 Krzysztof Fidkowski 教授，他除了在我的委员会任职外，还在我在这里的最后几年担任研究生主席，致力于改善研究生的生活。我还要感谢 Julie Young 教授在我的委员会任职并为我的研究提供建设性反馈。我会想念安娜堡的许多方面，但我最想念的是 MDO 实验室的同事。我度过了无数美好的时光，一起构思、调试、素描、写作、吃饭、玩飞盘和与实验室伙伴一起旅行。John Hwang 教授（当时是博士后）是第一个迎接我的人，在我攻读博士学位的头几年，他是我的导师、合作者和朋友。一路上，许多资深成员也给了我帮助，包括 Ney Secco、Tim Brooks、Gaetan Kenway、Dave Burdette、Mohamed Bouhlel、Ping He 和 Xiaosong Du。我的同班同学都很棒，尤其是 Shamsheer Chauhan、Nick Bons、Josh Anibal、Ben Brelje、Eirikur Jonsson、Anil Yildirim、Yingqian Liao、Sicheng He 和 Gustavo Halila。我知道，在 Neil Wu、Marco Mangano、Sabet Seraj 和 Shugo Kaneko 领导下，这个团队的未来一片光明。在攻读博士学位期间，我很幸运地在美国宇航局格伦研究中心工作，在那里，只有最善良、最乐于助人的人才能做出伟大的工作。Jon Seidel 耐心地帮助我了解超音速发动机。Eric Hendricks 向我灌输了发动机建模知识，在骑自行车时总是能超越我。Rob Falck 在任务优化方面给予我的帮助比任何普通人都要多。
光伏一体化储能及管理系统设计优化
注释： PV：来自光伏板的电力 负载：建筑物的负载需求 SOC max：电池充电状态的充电限制 SOC min：电池充电状态的放电限制 Bat_charge：电池充电的可用电力 Bat_discharge：电池放电的可用电力 出口：电网出口限制，kW 进口：电网进口限制*额定光伏功率，kW
综合空间任务规划与航天器设计的多学科设计优化方法
太空任务规划和航天器设计紧密耦合，需要一起考虑才能获得最佳性能；然而，这个集成优化问题会导致大规模的混合整数非线性规划 (MINLP) 问题，而该问题的求解十分具有挑战性。为了应对这一挑战，本文提出了一种新的解决该 MINLP 问题的方法，即遵循多学科设计优化 (MDO) 的理念，通过增强拉格朗日协调方法迭代求解一组耦合子问题。所提出的方法利用问题的独特结构，将其分解为一组不同类型的耦合子问题：任务规划的混合整数二次规划 (MIQP) 子问题和航天器设计的一个或多个非线性规划 (NLP) 子问题。由于可以将专门的 MIQP 或 NLP 求解器应用于每个子问题，因此所提出的方法可以有效地解决原本难以解决的集成 MINLP 问题。还提出了一种自动有效的方法来寻找这种迭代方法的初始解，这样就可以在不需要用户定义的初始猜测的情况下进行优化。在演示案例研究中，使用子系统级参数化航天器设计模型优化了载人月球探测任务序列。与最先进的方法相比，即使没有并行化，所提出的公式也可以在更短的计算时间内获得更好的解决方案。对于更大的问题，所提出的解决方法也可以轻松并行化，因此有望进一步发挥优势和可扩展性。
设计优化网格连接的PV - 氢用于能量伪造者
将基于氢的扇形耦合技术集成到基于氢的混合可再生能源系统（HRES）是一种创造能量生产商的有前途的方法，尽管在这个很大程度上没有开发的领域中进行的研究很少。在本文中，开发了一种行业耦合策略（建筑物和运输）并应用于网格连接的PV/Battery/H 2 HRES，以最大程度地提高大学校园的自给自足，并产生电力和H 2用于在阿尔及利亚Ouargla驾驶电车。使用ε-constraint方法将多个客观大小优化问题作为单个目标问题解决，其中能量成本（COE）被定义为要最小化的主要目标函数，而电源供应概率（LPSP）和非可再生用法（NRU）的损失都定义为约束。粒子群优化和本垒打软件用于模拟和优化目的。在本文研究的两种情况下，进行了敏感性研究，以确定电车和NRU对h 2需求的影响对拟议系统的技术经济可行性的影响，然后在优化中引入了新的可靠性因素，即H 2供应概率的损失（LHSP）。第一种情况的结果表明，通过设置NRU Max = 100％，没有H 2的系统提供了最佳的解决方案，COE的COE为0.016 $/kWh，达到网格奇偶校验，并具有13％的NRU。但是，通过设置NRU最大值= 1％，获得了由网格/PV/PV/Electrolyzer/燃料电池/储罐组成的优化配置，该配置的0％NRU和COE为0.1 $/kWh。在第二种情况下，观察到增加电车数量（即增加H 2的需求）导致LHSP，COE，NRU和CO 2排放量显着降低。得出的结论是，在考虑经济方面时，网格/PV组合是研究系统的最佳选择。但是，考虑到未来能源系统的不断增长的要求，与H 2相连的PV将是最好的解决方案，尤其是与运输系统结合时。
一项有关电池电动汽车组件，系统和管理设计优化的调查
摘要本文对电动汽车（EV）各个方面的优化发展进行了全面调查。调查涵盖了电池的优化，包括热，电气和机械方面。讨论了通过增材制造启用的高级技术，例如生成设计或折纸风格的拓扑设计，以及对电池性能进行替代材料的敏感性研究，并结合了可持续性的考虑。审查了电池充电/放电和电池交换的策略，考虑到诸如操作，成本，电池性能和范围焦虑之类的因素。未来的研究建议解决对生态系统设计的不确定性，并纳入前进和反向预测能力，从而利用电网和单个车辆的利益。还讨论了其他EV组件的优化技术，例如电动机，动力总成，轮胎和底盘。最后，本文介绍了电动汽车管理的审查，特别是对充电站，电网和车队管理的优化，包括有关充电站建设，充电站运营策略以及电力系统操作策略的研究。强调需要进一步研究鲁棒性，可靠性和可持续性，以证明将来使用电动汽车的使用是合理的。