Abstract Simultaneously recording network activity and ultrastructural changes of the synapse is essential for advancing our understanding of the basis of neuronal functions. However, the rapid millisecond-scale fluctuations in neuronal activity and the subtle sub-diffraction resolution changes of synaptic morphology pose significant challenges to this endeavour. Here, we use graphene microelectrode arrays (G-MEAs) to address these challenges, as they are compatible with high spatial resolution imaging across various scales as well as high temporal resolution electrophysiological recordings. Furthermore, alongside G-MEAs, we deploy an easy-to-implement machine learning-based algorithm to efficiently process the large datasets collected from MEA recordings. We demonstrate that the combined use of G-MEAs, machine learning (ML)-based spike analysis, and four-dimensional (4D) structured illumination microscopy (SIM) enables the monitoring of the impact of disease progression on hippocampal neurons which have been treated with an intracellular cholesterol transport inhibitor mimicking Niemann-Pick disease type C (NPC) and show that synaptic boutons, compared to untreated controls, significantly increase in size, which leads to a loss in neuronal signalling capacity.

This article presents modeling results and a comprehensive analysis of evaporative cooling systems designed for electric motors using the refrigerants R744 (trans-critical), R134a, R600a, and R290. This study aims to determine the most suitable refrigerant for use in a cooling system, optimize the system design, and calculate the maximum achievable motor power while adhering to specified temperature constraints. The modeling was validated by an experimental setup, which had the cooling system’s configuration featuring three circuits for motor housing, stator, and rotor cooling, respectively. The modeling of an evaporative system was used to present the cooling efficiency under varying loads and external temperature conditions. Mathematical modeling encompasses complex algorithms to simulate heat transfer phenomena, accounting for fluid dynamics and refrigeration cycle dynamics. The analyses revealed trends in winding temperature, rotor temperature, air temperature inside the motor, heat transfer coefficient, coefficient of performance (COP), and motor power across different operating conditions while using different cooling refrigerants. The maximal heat transfer coefficients were calculated for all the refrigerants for winding temperatures in the range from 32 to 82 °C, while air temperature and rotor temperatures were between 42 and 105 °C and 76 and 185 °C, respectively. Lowering the evaporation temperature of the coolant to −35 °C resulted in a significant decrease in the winding temperature to 15 °C, air temperature to 38 °C, and maximum rotor temperature to 118 °C at a motor power of 90 kW. Refrigerant R744 emerged as a promising option, offering high heat transfer coefficients and achieving high motor power within temperature limits. At the same time, the COP was lower when compared with other working fluids because of the high ambient temperature on the gas cooler side.

Lithium-ion batteries with high active material loading can yield a high energy density at low C-rates. However, the sluggish ion transport caused by longer and more tortuous pathways hinders high energy delivery when extracting high power. This study presents the implementation of neural networks to optimize the gradient active material distribution profile throughout the thickness of electrodes to enhance energy density. The profiles were randomly generated, while maintaining a constant average active material in each electrode. An electrochemical–thermal model was used to investigate the impact of different profiles. A neural network model was then developed to establish the connection between the profiles and the resulting energy density for various electrode thicknesses and C-rates, utilizing a limited amount of simulation data. The neural network model could replicate the performance of the electrochemical–thermal model, but with significantly reduced computational time. This enabled the possibility of efficiently exploring a vast number of candidate profiles to identify the most optimal one for each of the positive and negative electrodes. The results showed that the gradient profiles were mostly influenced by the average active material, rather than the thickness of the electrode. Finally, at high currents, the optimal gradient profiles increased the energy density by over four times compared to uniform electrodes.