XiaoMi-AI文件搜索系统
World File Search System设计优化
Victoria Q. Sun，《建筑物风荷载量化方法概述》，《国际先进工程与科学研究杂志》，第 6 卷，第 3 期，第 331-335 页，2021 年。
摘要 — 风荷载是结构设计时需要考虑的最重要因素之一。在之前的研究中，人们使用了多种方法来测试和测量风荷载——全尺寸测量、风洞测量、分析模型和计算流体动力学 (CFD)。在这些方法中，一些研究人员选择了不同类型的参数来量化风荷载。虽然一些参数只关注风荷载的一两个方面，但 CFD 模拟可以更全面地测量建筑物对风荷载的响应。除了 CFD 的定量测量外，其 3D 可视化轮廓绘制功能还可以提供有关风荷载的更详细信息，从而极大地帮助建筑设计和设计优化。关键词 — 3D 可视化轮廓绘制、计算流体动力学 (CFD)、压力系数、Strauhoul 数、风荷载、风洞。
NUREG/CR-7006“核电站安全系统中现场可编程门阵列的审查指南。”
基于微处理器的系统，因此本质上比基于微处理器的安全系统更安全。FPGA 设备本质上是硬件工程师实现的复杂软件设计。随着越来越多的功能转移到单个集成电路 (IC) 芯片上，应该更加关注系统开发过程。经验表明，FPGA 规范设计方法的进步速度不如向 FPGA 添加功能的能力，这意味着项目经理可能没有完全意识到安全风险。人们也可能认为使用自动化设计工具可以改进该过程。事实上，可能过度依赖这些设计工具，正如几个项目所表明的那样，其中的问题与工具的不当使用或由于工具将预期设计优化为非预期功能而导致的意外冗余损失有关。
发明、创新、孵化和...中心
该中心促进了与产品验证相关的体验式学习。产品验证分析中心为行业环境提供了主要行业用于产品验证和设计优化的最新技术工具。该中心包括模拟软件技术，使工程师能够使用虚拟原型验证和优化他们的设计。这些技术帮助公司提高质量、节省时间并降低与制造产品设计和测试相关的成本。这些软件（如 MSC Nastran、Patran 等）被领先的制造商用于线性和非线性有限元分析 (FEA)、流体动力学 (CFD)、高级材料建模、声学、流体结构相互作用 (FSI)、多物理场、优化、疲劳和耐久性、多体动力学、控制和制造过程模拟。
AI驱动的无人驾驶汽车的多学科概念设计
本文基于人工智能驱动的分析模型，为无人机的多学科概念设计框架提供了一个多学科的概念设计框架。这种方法利用了驱动的分析模型，其中包括空气动力学，结构质量和雷达横截面预测，以将定量数据带到初始设计阶段，从而从各种优化的概念设计中选择了最合适的配置。由于设计优化周期，为以后的设计活动提供了更准确的翼，尾部和机身等关键组件的初始尺寸。同时，生成的结构可以通过设计迭代中的反馈循环实现更合适的设计点选择。因此，除了降低设计成本外，这种方法在整个设计过程中还具有很大的时间优势。
风荷载量化方法概述...
摘要 — 风荷载是设计结构时要考虑的最重要因素之一。在先前的研究中，使用了多种方法来测试和测量风荷载——全尺寸测量、风洞测量、分析模型和计算流体动力学 (CFD)。在这些方法中，一些研究人员选择了不同类型的参数来量化风荷载。虽然一些参数仅关注风荷载的一两个方面，但 CFD 模拟提供了对建筑物对风荷载响应的更全面测量。除了 CFD 的定量测量外，其 3D 可视化轮廓功能还可以提供有关风荷载的更详细信息，这可以极大地帮助建筑设计和设计优化。关键词— 3D 可视化轮廓、计算流体动力学 (CFD)、压力系数、Strauhoul 数、风荷载、风洞。
电气物理设计的自动 3D 布线...
物理设计是一个具有挑战性的过程，因为设计需要：1）处理日益复杂的 EWIS 系统，该系统需要与现代机上娱乐系统、多电动飞机 (MEA) 和全电动飞机 (FEA) 等带来的越来越多的电子系统互连；2）遵守当局和飞机 OEM 发布的众多设计规范，以及 EWIS 供应商的多学科设计规则和最佳实践，以保证航空安全；3）在协同飞机设计环境中处理机身和其他系统的设计变更。这些挑战意味着设计师现在在高压下工作，设计结果容易出错，并且会受到大量更改和有限的设计优化机会的影响。
对人工智能和机器学习使用情况的回顾......
摘要 本综述探讨了人工智能 (AI) 和机器学习 (ML) 在解决系统工程复杂性方面的作用。它强调了人工智能和机器学习如何通过实现自动设计优化、预测性维护和高效配置管理来彻底改变系统设计、集成和生命周期管理。这些技术允许分析大数据集以预测系统故障并优化性能，从而提高工程系统的可靠性和可持续性。尽管应用前景广阔，但将人工智能融入系统工程仍面临挑战，包括技术障碍、道德考虑以及全面教育和培训的需要。本文强调了跨学科方法的重要性以及教育计划的不断发展，以使工程师掌握有效利用人工智能的技能。
GEMS - HAL
本文介绍了作为 IRT Saint Exup´ery MDA-MDO 项目 1 的一部分开发的 GEMS 软件，用于支持多学科设计优化 (MDO) 功能。GEMS 是一个用于编程 MDO 模拟过程的 Python 库，建立在 NumPy 2 、SciPy 3 和 Matplotlib 4 之上。GEMS 旨在推动模拟过程开发自动化的极限，特别关注：i) MDO 过程的自动编程；ii) 分布式和多级 MDO 公式（或 MDO 架构）；iii) 集成和开发用于优化、实验设计、替代模型和耦合分析的最先进算法；iv) MDO 结果分析的自动化；v) 在异构和分布式工业模拟环境中部署 MDO 流程。
电力电子人工智能应用概述
在过去的几十年中 [1]，[2]。人工智能的目的是促进具有像人类一样学习和推理能力的智能系统。它具有巨大的优势，并已成功应用于许多工业领域，包括图像分类、语音识别、自动驾驶汽车、计算机视觉等。电力电子技术潜力巨大，可从人工智能的发展中受益。人工智能有各种各样的应用，包括电源模块散热器的设计优化 [3]、多色发光二极管 (LED) 的智能控制器 [4]、风能转换系统的最大功率点跟踪 (MPPT) 控制 [5]，[6]、逆变器的异常检测 [7]、超级电容器的剩余使用寿命 (RUL) 预测 [8] 等。通过实施人工智能，电力电子系统具有自我意识和自适应能力，因此可以提高系统自主性。