XiaoMi-AI文件搜索系统
World File Search System输入参数
航空电子 LRU 系统健康建模与仿真...
摘要——航空工业中使用的电子系统通常被概括为航空电子设备。大约七十年前，飞机上使用的第一批航空电子设备是基于旧仪表和模拟系统的导航和通信系统。从那时起，该行业已经发生了很大的发展，如今航空电子系统需要新的和更智能的功能，从而推动整个航空研究以指数级的速度向高级航空电子系统和架构发展。在本文中，对航空电子系统在不同发展阶段的成熟度进行了全面调查。在这个项目中，考虑了四个 LRU，每个 LRU 具有不同的输入参数和不同的采样时间。基于时间采样，数据数组被串行发送而没有任何时间延迟。一旦数据数组作为输出发送出去，它就会进入由数据集中器和推理器组成的嵌入式系统。数据在这里收集，然后通过数据总线发送到微控制器，最后输出显示在 PC 上。 Mathwork SIMULINK 可用于编码部分，算法通过 Simulink 模块集实现。根据提供给每个 LRU 的输入信号，在示波器模块集上查看输出。将输出与所需输出进行比较。
使用不同分辨率的数字高程模型进行洪水灾害模拟和绘图
背景和目标：精细地形信息是详细洪水模拟和制图的关键输入参数。本研究旨在比较使用不同分辨率的数字高程数据集开发的洪水模型的精度统计数据，这些模型来自光检测和测距以及干涉合成孔径雷达系统。方法：本研究应用地理信息系统中可用的水文工程中心-水文建模系统和水文工程中心-河流分析系统模型来模拟和绘制 Maapag 流域的洪水灾害。使用混淆误差矩阵、f 测量和均方根误差统计测试了模型的有效性和准确性。发现：结果表明，使用光检测和测距数据集，该模型的准确率分别为 88%、0.61 和 0.41；而使用干涉合成孔径雷达数据集，该模型的误差矩阵、f 测量和均方根误差的准确度分别为 76%、0.34、0.53。结论：使用光检测和测距数据集开发的模型比使用干涉合成孔径雷达开发的模型具有更高的准确度。尽管如此，考虑到模型实施成本和较小的精度残差误差，后者可以作为前者的替代方案用于洪水模拟和测绘。因此，洪水建模者，特别是来自地方当局的洪水建模者更喜欢使用更粗的数据集来优化洪水模拟和测绘工作的预算。
离心微流体“盘上实验室”系统的设计优化，面向流体大规模集成
摘要：提高功能复用程度，同时确保具有竞争力的成本下的操作可靠性和可制造性，是实现全面的样本到答案自动化的关键因素，例如，用于常见的、分散的“即时护理”或“即时使用”场景。本文展示了一种基于模型的“数字孪生”方法，该方法有效地支持了示例性离心气动 (CP) 可溶解膜 (DF) 虹吸阀的算法设计优化，以实现成熟的“盘上实验室” (LoaD) 系统的更大规模集成 (LSI)。显然，阀门及其上游实验室单元操作 (LUO) 的空间占用空间必须适合在测定方案中出现的给定径向位置，进入本地可访问的盘空间。同时，旋转驱动的 CP-DF 虹吸阀的保留率以及最具挑战性的带宽（与实验输入参数不可避免的公差有关）需要插入实际允许的频率包络的定义间隔内。为了实现特定的设计目标，定义了一组参数化指标，这些指标必须在其实际边界内满足，同时（在数值上）最小化频域中的带宽。虽然每个 LSI 场景都需要根据数字孪生单独解决，但提出了一套定性设计规则和指导性展示结构。
BrainOK：使用机器学习预测脑卒中
摘要 - 中风，也称为脑血管意外或 CVA，是指大脑的一部分失去血液供应，而缺血的脑细胞控制的身体部分停止工作。这种血液供应的丧失可能是由于血流不足而导致的缺血性，也可能是由于脑组织出血而导致的出血性。中风是一种医疗紧急情况，因为中风可能导致死亡或永久性残疾。有治疗缺血性中风的机会，但治疗需要在中风迹象出现后的最初几个小时内开始。如果怀疑有中风，患者、家人或旁观者应立即启动紧急医疗服务。短暂性脑缺血发作 (TIA 或小中风) 描述的是短暂的缺血性中风，症状会自行缓解。这种情况还需要紧急评估，以尽量降低未来中风的风险。根据定义，如果所有症状在 24 小时内消失，中风将被归类为 TIA。根据世界卫生组织 (WHO) 的数据，中风是全球第二大死亡原因，约占总死亡人数的 11%。为了预测生存率，我们的 ML 模型使用数据集根据性别、年龄、各种疾病和吸烟状况等输入参数来预测患者是否可能患中风。与大多数数据集不同，我们的数据集侧重于可能具有脑卒中主要风险因素的属性。
R.Avaflow V4，一个多功能滑坡仿真框架
表1：对于最多三个阶段中的任何一个中的任何一个，x方向通量和源术语控制流动动力学。y方向上的术语以类似的方式提出。u x和u y = x和y方向的深度平均速度； UU VM和UV VM =虚拟质量贡献（Pudasaini and Mergili，2019年）； dt =分散术语（Pudasaini，2023）; g x = x方向重力的有效下坡分量； F D =变形系数（Pudasaini和Mergili，2024a）; k x = x方向地球压力系数； G Z +和G Z- =重力的有效斜率正常成分，包括不同的浮力效应（Pudasaini和110 Mergili，2019年）； G Z * =有效的重力斜率正常成分，包括浮力和曲率效应； C drag =阻力系数（Pudasaini and Mergili，2019年）； δ=基底摩擦角； c =内聚力； E V =通过剪切系数通过剪切系数损失（Pudasaini和Mergili，2024b）； φ=内部摩擦角； f ml =碎片数（Pudasaini等，2024）; ζ=湍流摩擦数； n =曼宁号码；和C AD =环境阻力系数。绿色表示输入参数，蓝色表示派生的参数。115
已发表版本的引文 (APA)：Zwerwer, LR、van der Pol, S.、Zacharowski, K.、Postma, MJ、Kloka, J.、Friedrichson, B. 和 van Asselt, ADI (2024)。人工智能对重症监护病房机械通气患者治疗的价值：早期健康技术评估。《重症监护杂志》，82，第 154802 篇文章。https://doi.org/10.1016/j.jcrc.2024.154802
目的：人工智能 (AI) 系统对重症监护病房机械通气患者的健康和经济影响通常尚未得到研究。早期健康技术评估 (HTA) 可以使用现有数据和模拟来检查 AI 系统的潜在影响。因此，我们开发了一个通用健康经济模型，适用于对机械通气患者进行 AI 系统早期 HTA。材料和方法：我们的通用健康经济模型模拟了机械通气患者从住院到死亡的过程。该模型模拟了两种场景，即常规护理和使用 AI 系统进行护理，并比较了这些场景以估计它们的成本效益。结果：我们开发的通用健康经济模型适用于估计各种 AI 系统的成本效益。通过改变输入参数和假设，该模型可以检查 AI 系统在各种不同临床环境中的成本效益。结论：使用提出的通用健康经济模型，投资者和创新者可以在确定确切的临床影响之前轻松评估实施某种 AI 系统是否具有成本效益。早期 HTA 的结果可以通过支持开发决策、提供基于价值的定价、临床试验设计和目标患者群体的选择来帮助投资者和创新者部署 AI 系统。
基于地理信息系统的地形... - NHESS
摘要：位于奥地利蒂罗尔州奥兹山谷的 Köfels 岩质滑坡是阿尔卑斯山脉变质岩体中已知的最大的超快速滑坡。尽管过去对此次滑坡的触发因素提出了许多假设，但迄今为止尚未发现任何经过科学验证的触发因素。本研究提供了有关（i）破坏前和破坏地形、（ii）滑坡体的破坏体积和孔隙率，以及（iii）初始变形和破坏机制的数值模型以及通过反算获得的基底剪切带的剪切强度特性的新数据。地理信息系统 (GIS) 方法被用于重建滑坡前、滑坡中和滑坡后的斜坡地形。通过比较生成的数字地形模型，可以估计破坏体和沉积体的体积分别为 31 亿和 40 亿立方米，滑坡体的孔隙率为 26 %。对于 2D 数值研究，采用离散元法研究初始破坏过程（即没有基底剪切带的模型运行）的地质力学特性，并确定重建的基底剪切带的抗剪强度特性。通过改变块体和节理输入参数进行多次模型运行，可以合理地重建岩石斜坡的破坏过程；然而，岩石滑坡的确切几何形状，尤其是厚度，无法完全再现。我们的结果表明
引用：Verma, S., Chugh, S., Ghosh, S. 和 Rahman, BM (2022)。用于优化等离子体配对纳米结构光学参数的人工神经网络建模。纳米材料 (巴塞尔)，12(1)，170。doi：10.3390/nano12010170
摘要：人工神经网络 (ANN) 已成为机器学习 (ML) 中一种分析复杂数据驱动问题的有效方法。由于其时间效率高，它在物理学、光学和材料科学等许多科学领域都很受欢迎。本文提出了一种基于 ANN 的计算高效方法来设计和优化电磁等离子体纳米结构的新方法。在本研究中，首先使用有限元法 (FEM) 模拟纳米结构，然后使用人工智能 (AI) 对不同配对纳米结构的相关灵敏度 (S)、半峰全宽 (FWHM)、品质因数 (FOM) 和等离子体波长 (PW) 进行预测。首先，使用有限元法 (FEM) 开发计算模型来准备数据集。输入参数被视为长轴 a 、短轴 b 和分离间隙 g ，它们已用于计算相应的灵敏度（nm/RIU）、FWHM（nm）、FOM 和等离子体波长（nm）以准备数据集。其次，设计了神经网络，其中优化了隐藏层和神经元的数量，作为综合分析的一部分，以提高 ML 模型的效率。成功优化神经网络后，该模型用于对特定输入及其对应的输出进行预测。本文还比较了预测结果和模拟结果之间的误差。该方法优于直接数值模拟方法，可用于预测各种输入设备参数的输出。
使用特征选择预测 2 型糖尿病...
摘要背景。本研究的目的是开发和评估一种用于早期诊断 2 型糖尿病的机器学习模型，以便在疾病早期阶段应用治疗。材料和方法。开发了一种提出的混合机器学习模型，并将其应用于 UCI 数据库的早期糖尿病风险预测数据集。将所提模型的预测成功率与其他机器学习模型进行了比较。采用 Pearson 相关性和 SelectKBest 特征选择方法来检查数据集输入参数与结果之间的关系。结果。在数据集中包含的 520 名患者中，320 名被诊断患有糖尿病，其中 328 名（63.08%）为男性。最常见的糖尿病诊断标准是肥胖（n=482，83.08%）。虽然用 Pearson 相关性检测到的最强特征是多尿，但用 SelectKBest 检测到的最强特征是多饮。通过 Pearson 的特征提取，最成功的机器学习方法是提出的混合方法，准确率为 97.28%。使用 SelectKBest 特征选择，同一模型能够以 95.16% 的准确率预测 2 型糖尿病。结论。早期发现 2 型糖尿病将使患者得到更及时、更有效的治疗。因此，使用所提出的模型可能有助于提高患者护理质量并降低由该疾病造成的死亡人数。
使用机器学习吸收裂变代码fifrelin
CEA，并在实验室中开发了包括Fifrelin在内的几种核裂变守则。代码依赖于四个免费参数，这些参数是为了重现平均中子和伽玛多重性的四个免费参数。这些输出均以各自的不确定性计算。在这项工作中，Fifrelin被视为黑匣子，我们从中没有任何先验知识。目的是找到合适的自由参数列表，以获取特定的输出数据。由于蒙特 - 卡洛方法，对目标不确定性（约9分钟）的计算时间相对较高，为0.01或0.03-取决于组件。因此，随机探索输入空间（4个维度）是很耗时的。在本文中，我们建议使用机器学习来克服此类问题。由于输入和输出数量少，并且我们对输出的不确定性所使用的机器学习方法的事实是高斯过程回归，也称为Kriging [1]。我们提出的方法结合了这种Kriging方法和目标中的优化算法，以找到与给定输出相对应的自由输入参数。以下第2节介绍了算法Fifrelin，该作品的目标是在第3节中确定的。第4节是关于高斯流程回归背后的数学和关于我们开发的算法的第5部分。最后，我们在6中显示了结果，并得出了结论。