2911 Arbeiten
Dieses Paper schlägt eine labelfreie Trainingsmethode für Attention Graph Neural Networks vor, die endliche Volumenresiduen von Steuergleichungen minimiert, um effizient akkurate neuronale Surrogatmodelle für gekoppelte 3D-Thermofluidfelder zu generieren, ohne die hohen Rechenkosten konventioneller Datengenerierung zu verursachen.
Diese Studie präsentiert eine Open-Source-Python-Implementierung eines Hardening-Soil-Materialpunkt-Integrators, der anhand von Boden-Daten aus Ho-Chi-Minh-Stadt validiert wurde und erfolgreich als hochpräziser physikbasierter Datengenerator für das Training eines hochgenauen neuronalen Netzwerk-Surrogatmodells dient.
Dieses Paper präsentiert VICP, eine Runtime für industrielle Edge-Cluster, die durch die Entkopplung der reversiblen Zustandsreplikation von der irreversiblen physischen Ausgabekontrolle mittels Mehrheits-gestützter Leases und Fencing eine hochverfügbare und sichere Service-Failover gewährleistet und dabei eine Reduktion der Ausgabeverunterbrechung um 50,54 % im Vergleich zu Active-Standby bei gleichbleibender präziser Steuerungsgenauigkeit erreicht.
Diese Studie entwickelte einen Dual-Beam-Selektiven-Laser-Schmelzverfahren-Ansatz sowie dessen Simulationsmodell zur Optimierung der Prozessparameter für porösen Edelstahl und zeigte auf, dass der Vorheffekt des Hilfslasers die Eigenspannung im Vergleich zum konventionellen Single-Beam-SLM um etwa 3,75 % reduziert.
Diese Studie charakterisiert die räumliche Variabilität einer weichen lakustrinen Tonschicht in Südbrasilien unter Verwendung verschiedener Penetrometer-Tests und der Theorie zufälliger Felder, wobei die Anwendbarkeit von Full-Flow-Penetrometern zur Ableitung statistischer Parameter bestätigt wird, die für eine zuverlässigkeitsbasierte geotechnische Bemessung essenziell sind.
Dieses Paper schlägt ein physik-informiertes Deep-Learning-Framework vor, das Standard-Sekundärelektronenbilder des Rasterelektronenmikroskops in präzise virtuelle Elektronenrückstreubeugungs-Charakterisierungen umwandelt und dadurch effektiv die durch Gitterverzerrungen in additiv gefertigten Legierungen über verschiedene Materialsysteme hinweg verursachten Indexierungsprobleme überwindet.
Diese Studie verwendet ein hybrides Deep-Learning- und NSGA-II-Optimierungs-Framework, um die mechanischen Eigenschaften und die mikrostrukturelle Qualität von reibverschweißten unähnlichen AA1100–AA2014-Aluminiumverbindungen zu verbessern, wobei eine maximale Zugfestigkeit von 142 MPa bei hoher Vorhersagegenauigkeit erreicht wird.
Dieses Paper schlägt eine robuste, kapazitätsstarke Phasenentfaltungs-Methode für die Streifenprojektionsprofilometrie vor, die einen hybriden binär-ternären Gray-Code mit dynamischer Schwellenwertsegmentierung und einem Algorithmus zur Phasen-Konsistenz-Vorabkorrektur kombiniert, um eine präzise 3D-Rekonstruktion komplexer Oberflächen unter Verwendung von nur sechs projizierten Mustern zu ermöglichen und gleichzeitig die Notwendigkeit zusätzlicher Kalibrierungsbilder zu eliminieren.
Diese Studie zeigt, dass für durch Widerstandsschwellschweißen gefügte 316L-Edelstahl-Brennstabverbindungen eine Schweißzeit von 21 ms die optimale mechanische Leistung und mikrostrukturelle Verfeinerung durch die Balance zwischen effektiver Verbindung und Kornrekristallisation liefert, während kürzere oder längere Dauern zu unvollständiger Verbindung oder Leistungsverschlechterung führen.
Dieses Paper schlägt ein SDN-basiertes dynamisches Routing-Modell für LoRaWAN vor, das die Gateway-Auswahl durch die gemeinsame Berücksichtigung von Batterielebensdauer, Distanz und Warteschlangenlänge optimiert und dadurch im Vergleich zu herkömmlichen statischen RSS-basierten Ansätzen die Netzlast effektiv ausbalanciert und die Betriebsdauer verlängert.