飞行模拟器程序显示飞机如何帮助自己降落。

PilzDaCunha说：这有助于控制抓臂;一旦捕获到东西，机器人就可以一直握住它，直到再次用光将其放开为止。从土地到水现在提供的设备可以在水下抓取和释放物体，这是研究人员在今年早些时候提出的光导包裹递送迷你机器人的新功能。

发达的无线人工息肉长1乘1厘米，茎对磁性起反应，触手可轻触。导读 埃因霍温科技大学的研究人员开发了一种微型塑料机器人，该机器人由响应性聚合物制成，可在光和磁的作用下移动。因此，她开发了一种光机械聚合物材料，该材料仅在光的作用下移动。触角通过向其照射光来移动。除了在水下操作，这种新材料在被光激活后可以保持其变形。

迷你机器人的灵感来自珊瑚虫。光产生的热量为机器人提供了燃料，而不是光本身。关于热性能，诊断工具表明使用的能量中有82%来自太阳。

这项研究的结果已发表在《应用能源》杂志上。考虑到这一点，由URV领导的小组创建了一种诊断工具，该工具使用人工智能来证明减少了对环境的影响以及太阳能辅助加热网络的能耗。在加泰罗尼亚，有60个这样的区域网络(例如巴塞罗那的22@)，但它们使用生物质和其他能源而不是太阳能。导读 40%以上的能源消耗来自建筑物，而这一数字的63%来自住宅。

太阳能辅助加热网络是具有集中式系统的设施，用于大规模生产热水。为了在居民区测试这些系统并模拟欧洲不同气候区的植物，研究小组在马德里进行了理论试点研究，他们在该研究中使用了基于人工智能的诊断工具来确定太阳能辅助供暖的最佳设计

因此，CAD文件说明中的这些3-D打印刀具路径(刀具将遵循的一系列协调位置)对于制造商而言是宝贵的商业秘密。该团队在圆柱和正方形模型上验证了其ML算法结果，发现误差小于0.5。通过CT扫描获得的零件的微观结构。他们的研究通过使用成像和机器学习通过刀具路径重构对增材制造的复合材料零件进行逆向工程，发表在《复合材料科学与技术》上，论证了这种对3D打印的玻璃纤维增​​强聚合物长丝进行逆向工程的方法。

调查人员包括纽约大学丹顿分校的研究生KaushikYanamandra，陈冠林，徐贤博和加里麦克表示，在3-D打印过程中使用的打印方向可以通过微CT扫描图像从打印部件的纤维取向中捕获。但是，由纽约大学丹顿工程学院的研究人员团队(由机械和航空航天工程学系教授NikhilGupta领导)表明，通过将机器学习(ML)工具应用于以下工具，这些工具路径也很容易复制，因此很容易被窃取。Gupta说：机器学习方法被用于复杂零件的设计中，但是，正如研究表明的那样，它们可能是一把双刃剑，这使得逆向工程也变得更加容易。3-D打印，尺寸精度为原始零件的1%的三分之一。

古普塔说，这项研究引起了人们对3-D打印复合零件中知识产权安全性的关注，在这种复合零件上投入了大量的精力进行开发，但是现代机器学习方法可以轻松地以低成本在短时间内复制它们。在高性能应用中，这些混合，分层材料的强度和多功能性的关键是每一层中纤维的方向。

在设计过程中还应该考虑安全性问题，并且在未来的研究中应开发出不可克隆的工具路径。增材制造(3-D打印)方面的最新创新使得有可能对此因素进行微调，这是由于能够在CAD文件中包括要打印组件每一层的离散打印头方向指令，从而优化了强度和灵活性以及零件特定用途的耐用性。

导读 在过去的30年中，随着复合材料在工业上的广泛采用，玻璃和碳纤维增强复合材料在航空航天和其他高性能应用中的使用猛增。在高性能应用中，这 在过去的30年中，随着复合材料在工业上的广泛采用，玻璃和碳纤维增强复合材料在航空航天和其他高性能应用中的使用猛增。但是，由于用肉眼很难分辨出纤维的方向，因此该团队使用了在数千个微CT扫描图像上训练的ML算法来预测任何纤维增强的3D打印模型上的纤维取向为了在居民区测试这些系统并模拟欧洲不同气候区的植物，研究小组在马德里进行了理论试点研究，他们在该研究中使用了基于人工智能的诊断工具来确定太阳能辅助供暖的最佳设计。太阳能集热器收集太阳能，以满足给定邻域中住宅的取暖和清洁热水需求。该研究调查了不同规模的市区，包括10、24、50和100座建筑物的社区。

例如，在一个有100座建筑物的区域中，投资在13.7年内收回了。相比之下，太阳能辅助加热网络在最晴朗的月份将多余的热能太阳能存储在大型地下储罐(高达10,000立方米)中，并且保温效果非常好，因此可以在秋季和冬季使用较少的太阳能来供热。

这项研究是MATCE项目的一部分，该项目由URV，UdL和UB的研究人员协调，由西班牙经济与竞争部资助。此外，超过75%的家庭能源消耗与取暖和清洁热水的生产有关。

太阳能辅助加热网络是具有集中式系统的设施，用于大规模生产热水。随着地区规模的增加，减少幅度更大，一个拥有100栋建筑物的社区达到89.3%。

导读 40%以上的能源消耗来自建筑物，而这一数字的63%来自住宅。这些数据突出表明，有必要寻找符合2030年目标的替代能源，以实现从化石燃料向可再生能源的可持续过渡，并减少温室气体的排放。这项研究的结果已发表在《应用能源》杂志上。主要装置位于消耗大量能源供热的北部国家，例如加拿大，瑞典，丹麦，德国和奥地利。

该工具发现，与使用燃气加热器和锅炉的传统形式的热产生相比，太阳能辅助加热网络的实施可以大大减少对环境的影响。这些数据突出表明，有 40%以上的能源消耗来自建筑物，而这一数字的63%来自住宅。

关于热性能，诊断工具表明使用的能量中有82%来自太阳。在加泰罗尼亚，有60个这样的区域网络(例如巴塞罗那的22@)，但它们使用生物质和其他能源而不是太阳能。

该研究由URV机械工程系的研究者DieterBoer，ManelValls和MohamedHanyAbokersh(MartiFranqusCOFUND计划的博士生)以及莱里达大学的LuisaF.Cabeza领导。它也得到了ICREA学术计划的支持，该计划是Horizo​​n2020计划和Sklodowska-CurieActions计划的一部分，以及西班牙热能存储网络。

太阳能辅助供热网和热的主要不同能量在某些房屋中已经可以找到的存储系统是，该房屋只能在收集后的短时间内(在接下来的几个小时内，或者最多在接下来的七天内)使用能源。此外，该系统还显示出明显的经济利益，因为它可以根据社区的规模将总成本降低多达66欧元。考虑到这一点，由URV领导的小组创建了一种诊断工具，该工具使用人工智能来证明减少了对环境的影响以及太阳能辅助加热网络的能耗。就获得初始投资的回报而言，社区越多，该系统越有效。

尽管前景广阔，但仍然存在技术，行政和财务方面的障碍，限制了这些系统的推广由英国创新公司(InnovateUK)和Statmetrix(一家专注于足球表现数据洞察的公司)合作资助的研究人员，利用计算机视觉，深度学习和人工智能领域的最新成果，实现了三项主要成果。

当前的球员表现分析是一项劳动密集型过程，需要有人观看比赛的视频录像并手动记录单个球员的动作-这涉及记录球员进行了多少次传球和投篮，动作发生在哪里以及是否有动作。为了解决这个问题，李博士和她的团队旨在开发一种混合系统，在该系统中，可以通过基于摄像头的自动方法来加速和补充人的数据输入，以满足对大量足球产生的低成本及时性能数据的高需求。

研究人员使用深度学习(一种新颖的机器学习的最新技术)和计算机视觉来训练AI系统来做到这一点。该技术可以处理录像，检测单个运动员并确定他们是在奔跑，步行还是跳跃，以及与谁一起传球。

 575 

独家翻译 | 200MW！Innergex签署俄亥俄州200MW光伏项目电力采购协议

山东、河北等12省还剩多少光伏装机容量？

2018年中国光伏企业排行榜

光伏发电的应用模式多样化，你准备好了吗？

独家翻译 | 2.5亿美元！亚洲开发银行向EESL提供贷款发展能效项目

南方电网全网光伏发电量53.9亿度

多晶硅市场被迫承压运行 价格持续阴跌未止

独家翻译 | 8亿美元！Brookfield将对印度ReNew Power进行可再生能源投资

独家翻译 | 投标截止1月15日！印度煤炭公司招标20MW贾坎德邦太阳能项目