面向汽车覆盖件的拉延模快速设计及其实现

覆盖件的设计与生产是汽车制造业的重要组成部分,以覆盖件拉延模的快速设计为 研究目标,具体产品为导向,在设计模板的基础上,智能化修改与替换部分关键组件而形成新的 设计方案,以达到最小化工作量的目的。首先根据汽车覆盖件拉延模的实际模型和工艺,对拉延 模组成零件进行合理分类并建立嵌入设计知识的模板,新的设计替换模板中关键组件,系统自动 根据需要加入工艺信息,修整模型曲面以适应实际需要。实践证明,该方法可以有效地重用既往 设计经验,减少设计错误,提高设计质量。     

Abaqus/CAE高级实用技巧

Abaqus新提出的扩展有限元法（ExtendedFiniteElementMethod,XFEM）在解决裂纹扩展问题时有何优点？如何在Abaqus／CAE中设置？对于裂纹扩展问题,传统的有限元法一般采用预先埋设裂纹路径或网格重新划分的方法,让其沿网格扩展,这对模型网格的要求非常高．XFEM能克服以上弊端,在应力集中或裂纹尖端等高应力区域自动将每个单元剖分为2个单元,在模拟裂纹生长时无须重新剖分网格．     

设置IP地址后无法生效

Q:Windows7系统,使用Acronis True Image的备份文件还原系统后,想更改IP地址但无法生效,IP设置窗口中之前设置的IP地址总排在最前。请问如何让新IP地址生效?A:出现这种情况,直接将网卡卸载(别卸载驱动程序),然后通过扫描硬件改动来重新识别网卡,这时会自动建立本地连接,一般会标识为"本地连接2"或"本地连接3"等字样。这     

通用(OA)办公自动化系统的组件运用与研究

近些年,基于组件的软件开发已发展成一个新的趋势。基于组件的软件开发给软件开发者带来了全新的设计、开发理念。在现有组建的基础上,通用(OA)办公自动化系统的开发显得更加快捷,也方便维护和更新,当系统中的某一部分或功能不再符合工作需要时,只要对相关的组件进行升级和替换,这样就可以根据工作情况新增或调整该部分的功能,提高整体工作效率。     

来自乐高的新启示-积木手机Phonebloks

和相对平凡的上一期相比．本期让人眼前一亮的设计新品技术含量明显提高了不少。0K，就让我们先从一个最具野心的项目说起吧：有请模块化手机Phonebloks登场!正如它的名字所暗示的那样．这部正面乍看平淡无奇但背面暗含玄机的手机所有功能组件都是由一个个独立的”模块”组成的。我们除了可以像玩乐高或者七巧板一样对这些模块的位置进行自由改动，从而调整手机整体的配重与功能布局来适合自己使用习惯之外．还可以购买新的模块替换已有组件来强化硬件性能或添加新的功能。     

组件风格定制预览的研究与实现

针对程序员编写应用程序完整界面外观的工作量比较大,并且在XML文件中描述数最繁多的组件属性难题,提出了一种组件定制预览工具模型.工具模V根据Java Synth中组件的不同属性与XML的特点,按照UM以统一建模语言)的建模过程,实现通过设置组件属性来定制组件风格,达到当前组件风格的实时预览,直至程序员得到满意的组件风格.通过测试得出此工具可以满足程序员一般组件的界面外观的定制,并且可以在短时间内定制预览所需要的界面外观.结果表明,此工具降低了软件的开发成本,节省了程序员编写应用程序完整界面外观的工作量.     

从头开始 Flash学习之旅（五）组件的应用

组件，或许很多朋友还会很陌生，从Flash 5.0到Flah6.0（Flash Mx)，直至现在的Flash7.0(Flash Mx2004)，他们的主要改动之一就是增强和增多了组件。使用组件可以让我们创作效率大幅度提升。在Flah6.0中，组件主要应用在Web创作上，而从Flah7.0开始，组件的功能远非如下，它可广泛地应用于各个领域，如游戏制作，多媒体开发，本文将和大家一起来揭开组件的神秘面纱。     

用例模型与装配式软件系统的开发

用例是获取需求的主要工具，用例模型成了与用户交流的手段。装配式软件是一种能提高软件适应性和生命力的系统，它是建立在基于组件的工程基础之上，以便系统维护时可以按组件装配、拆卸和替换。讨论了用例模型中的用例如何与组件建立映射关系，并给出装配式软件开发的具体过程。     

一种基于OSGi的动态演化方法

OSGi框架为软件动态演化提供了一个强大的平台,在该平台上运行时可进行模块的加载、卸载和替换。针对替换过程中遇到的状态丢失问题,本文利用OSOi R4规范提供的面向服务组件的编程模型,将服务组件的数据部分独立出来,实现了替换过程中状态的连续性。     

面向云数据中心的人工智能模型自动优化框架设计

人工智能模型的自动调优技术能够以较低资源成本提供云数据中心的高性能智能服务。然而,人工智能模型和硬件设备具有异构性,云数据中心执行自动调优操作会产生大量计算时间,占用算力资源,产生能耗成本。针对此问题,本文设计面向云计算数据中心的人工智能模型自动优化框架。提出人工智能模型候选配置项过滤方法,利用模型构建、特征提取、候选项探索、配置查询等技术对候选项搜索空间重新采样,将高效候选项替换低效候选项。在算子优化层面,框架分批并行执行计算组件实现的硬件测量,避免连续探测搜索空间。在模型优化层面,根据多人工智能模型的相对性能加速优先跨集群的计算组件优化。该框架旨在面向不同人工智能模型,降低人工智能模型推理延迟,减少云计算数据中心能耗,从而提升人工智能模型自动调优的成本效益。