Metal additive manufacturing (AM) has attracted significant attention in various industry sectors for large-scale fabrication. However, the limited fabrication efficiency has hindered its practical implementation. In comparison to traditional methods of tuning process parameters, concurrent AM equipped with multiple independently driven lasers is a more promising technique recently developed for the efficient fabrication of large metal parts. To maximize fabrication efficiency while ensuring quality for multi-laser AM processes, an optimization problem is proposed in this work for multi-laser scanning plan, including scan vector assignment and scheduling. The goal is to minimize the makespan while considering factors that may affect the quality of metal AM parts as constraints. Specifically, the constraints associated with heat-affected zones (HAZs) and the user-specified single-laser scanning area are considered. The optimization model is solved by deep reinforcement learning (DRL), offering the flexibility to include or exclude considerations for different quality/process requirements. Two case studies demonstrate the application of DRL models considering different sets of constraints and compare their performance with two baseline scheduling methods in terms of fabrication efficiency and violation of quality constraints. In addition, the impact of the laser number on operational improvement and the computational cost of the DRL model is also studied.

Load forecasting is crucial for economic dispatch of power systems, with accuracy impacting grid operation. Due to rising energy demand and changing load characteristics, forecasting complexity has increased. Traditional methods struggle with nonlinear data, complicating load forecasting. This study proposes a novel approach using a hybrid long and short-term memory network with a least-squares support vector machine model. A hybrid seagull algorithm and an improved whale algorithm are employed to optimize the prediction model. Results show superior accuracy compared to individual models, promising advancement in power load forecasting.

To improve the cabin thermal environment and explore advanced automotive air-conditioning control methods, it is essential to understand the key factors affecting occupant thermal response as well as the synchronicity of the thermal response to environmental changes in outdoor conditions. Given the current gaps in research, this study conducted outdoor subject experiments in summer to analyze the correlation and synchronicity between the cabin thermal environment and occupant thermal sensation as well as facial skin temperature. Results showed that, during the cooling phases of experiments with high initial cabin air temperatures, occupant thermal sensation improved significantly within seven minutes. After 15 minutes, facial skin temperature and thermal sensation reached quasi-steady states. Thermal sensation was primarily influenced by air temperature, followed by solar radiation, and exhibited significant synchronicity with changes in these factors. When the air temperature stabilized at around 26 °C, every 200 W/m2 of solar radiation exposure increased the thermal sensation unit during the 40-minute experiment period. Cheek and nose skin temperatures were significantly correlated with air temperature and solar radiation, and were sensitive to environmental changes, synchronizing with changes in air temperature and relative humidity. Further analysis showed the feasibility of using cheek and nose skin temperatures to characterize the occupant thermal sensation in a cabin. Additionally, this study found sex differences in the occupant thermal response in a cabin. The results provide insight into the key optimization parameters for comfort-oriented cabin thermal environment design and offer support for future air conditioning control in cabins based on thermal imaging.