关键词： CO_(2)通量   机器学习模型   影响因素   模拟能力   冬小麦   夏玉米   农田  

摘要： 为探究典型冬小麦-夏玉米农田CO_(2)通量的影响因素及不同机器学习模型对其模拟能力,本研究选取中国生态系统研究网络禹城综合试验站冬小麦-夏玉米农田为研究对象,基于气象、土壤和作物生长等数据,通过类别型特征提升(CATBoost)、极限梯度提升(XGBoost)、支持向量机(SVM)、人工神经网络(ANN)、随机森林(RF)和K近邻法(KNN)六种机器学习算法,分析其对逐日净生态系统碳交换量(NEE)、总初级生产力(GPP)和生态系统呼吸(Re)模拟的准确性。结果表明:对不同机器学习模型而言,CATBoost模型对农田NEE、GPP和Re模拟的准确性都优于其他模型,XGBoost模型次之。对不同输入变量组合而言,当包含气象变量、土壤变量和作物变量时各机器学习模型的模拟效果最佳,其次是包含气象变量和作物变量,而包含气象变量和土壤变量的模拟效果相对较弱。对不同农田类型而言,六种机器学习模型在不同输入变量组合下表现出冬小麦田NEE、GPP和Re的模拟效果优于对应的夏玉米田,其中冬小麦田GPP和Re的模拟准确性相近,且优于NEE;而夏玉米田NEE和GPP的模拟准确性相近,且优于Re。

关键词： 机器学习   复合材料   性能预测   损伤检测  

摘要： 作为新型材料,复合材料因其轻质高强度的优势在多个工业领域中得到了广泛应用。当前,各类材料性能研究和更新迭代依赖试验及有限元仿真,成本较高且效率较低。随着计算机技术的快速发展,多种机器学习模型被应用于不同种类的复合材料研究中。本文介绍了网络型和集成型机器学习模型在复合材料研究中的应用,探讨了其在解决特定复合材料研究问题时的适用性。未来,机器学习技术在复合材料领域的应用范围会继续扩大,特别是在低数据需求模型构建和基于迁移学习的数值范围拓展方面将展现出巨大的潜力。

关键词： 非小细胞肺癌   影像组学   剂量组学   放射性肺炎  

摘要： 目的建立并验证基于定位CT和剂量学图像的影像组学、剂量组学结合临床参数的联合模型,预测非小细胞肺癌(NSCLC)患者放射性肺炎的发生。方法回顾性收集济宁医学院附属医院2016年1月至2022年12月接受放射治疗的143例NSCLC患者临床资料,并按照7∶3随机分层分为训练组(100例)和内部验证组(43例)。另外收集来自济宁肿瘤医院2019年1月至2022年12月接受放射治疗的34例NSCLC患者临床资料作为外部验证组。训练组、内部验证组和外部验证组又根据放射性肺炎(RP)的严重程度进一步分为≥2级RP组和<2级RP组,收集放疗剂量、定位CT及三维剂量图像。将全肺-PTV作为感兴趣区进行影像组学及剂量组学特征提取并进行特征降维,筛选出放射性肺炎关键特征,通过机器学习方法(MLP)建立临床模型(CM)、影像组学模型(RM)、剂量组学模型(DM)以及三者的联合模型(RDN)并绘制列线图,使用受试者工作特征(ROC)曲线下面积(AUC)和决策曲线(DCA)评估模型性能及临床适用性。结果共提取1834个影像组学特征及1834个剂量组学特征,以是否发生≥2级RP为标签变量,在训练组中最终筛选出14个影像组学特征、15个剂量组学特征和3个临床特征用于构建预测模型(CM、RM、DM、RDN),并在内部验证组和外部验证组中验证模型性能与泛化能力。RDN在训练组、内部验证组及外部验证组中的AUC分别为0.915(95%CI:0.852~0.978)、0.879(95%CI:0.777~0.982)及0.838(95%CI:0.701~0.975)。结合影像组学分值(R⁃score)、剂量组学分值(D⁃score)、肺平均剂量(MLD)、V20和V30绘制联合模型列线图,可实现个体化风险预测,有助于指导个体化放疗策略的制定。结论基于定位CT和三维剂量图像,结合影像组学、剂量组学、临床特征建立的的联合模型有助于预测RP的发生。多维数据的结合生成了最优预测模型,可为临床医生提供指导。

关键词： 油气田开发   产量预测   机器学习   神经网络   迁移学习  

摘要： 受油气开发过程中储层物性、流体性质和工艺措施的复杂多变性影响,生产数据的分析利用程度多取决于石油科技工作者的专业经验,计算成本和时间成本高,难以满足油气藏高效开发需求,亟待发现更加高效的油气产量预测方法。近年来,以深度神经网络、随机森林算法和迁移学习为代表的机器学习方法凭借处理高维数据、捕捉时序数据长期依赖关系和提取开发数据特征等方面的独特优势,在油气产量预测中取得了显著应用效果。该文通过对常用油气产量预测机器学习方法的原理及其优缺点进行分析,阐述了机器学习方法在油气产量预测领域的应用现状,总结了应用过程中潜在的问题,同时对油气产量预测方法的发展前景进行展望。未来,一方面应加强对物理约束融入机器学习模型的研究,提高模型的可解释性,避免过于理想化的预测结果;另一方面要开发适合小样本情况下的算法和迁移学习技术,充分利用历史生产数据,为油气产量预测提供更好的数据分析技术支持。该研究对油气产量的智能预测技术完善具有理论指导意义。

关键词： 优化设计   二维轴对称喷管   代理优化算法   机器学习   交叉验证  

摘要： 针对固定扩张比与扩张段长度的二维轴对称喷管进行扩张段型面优化设计,优化目标为喷管推力最大化,优化参数为贝塞尔曲线控制点的径向位置.通过结合十折交叉验证方法与优化算法对BP神经网络、支持向量回归、极限学习机3种机器学习模型的超参数进行优化,进而评估其在预测喷管出口推力任务上的表现.采用拟合精度最高的机器学习模型与代理优化算法相结合进行优化计算.仿真结果表明:通过对机器学习模型超参数的优化,3种机器学习模型均在测试集上表现出较高的预测精度,而BP神经网络在本文模型下的预测精度最高.通过基于机器学习代理模型的喷管型面优化方法,得到优化后的喷管推力提高1.958%,且BP神经网络对优化后的喷管推力预估误差仅为0.024 9%.通过与基于直接CFD计算的优化结果对比,可以证明所提方法在具有更高优化效率的同时具有较高的优化精度,优化后的喷管推力差别仅为0.007 5%,且优化耗时降低16.5%。

关键词： 含Ce矿物   大数据   机器学习   大量罕见事件频率分布   矿物共生网络分析  

摘要： 稀土是发展能源转换、超导和量子工程等高新技术领域不可替代的战略性矿产资源。然而,对于稀土矿物分布、多样性和共生规律的认识极为不足。前人通过大数据和机器学习方法对Be、B和C等矿物生态学和矿物共生网络的研究,识别矿物共生组合隐藏的规律,预测总矿物种数、可能的化学组分和成矿环境,为寻找新矿物以及有效利用矿产资源提供新方向。本文立足于Mindat和RRUFF数据库提供的地球近地表166种含Ce矿物的矿物学信息,通过大量罕见事件(LNRE)模型预测:地球近地表至少存在223±3种含Ce矿物,还有57±3种含Ce矿物尚未被发现,包括39±3种含O矿物、36±11种含H矿物、50±1种含Si矿物、45±22种含Ca矿物、39±5种含Na矿物、28±5种含C和23±2种含F矿物。这些尚未被发现的矿物多数与碳酸盐岩演化的不同阶段相关。此外,Ce的矿物网络分析结果表明,含Ce矿物被划分为4种不同的成矿环境,暗示新的含Ce矿物成矿环境。本研究为开展其他稀土元素的矿物生态学和矿物共生网络研究提供研究思路和方法,对发现稀土新矿物以及有效利用稀土矿产资源具有重要指导意义。

关键词： 内卷式竞争   创新遏制   资源囤积   市场掠夺   感知风险  

摘要： 随着全球经济环境的日益复杂和技术变革的加快,产业链内卷式竞争现象在中国制造业中愈发普遍,同时加剧了产业链各个环节的企业感知风险,对产业链的稳定性和安全性产生影响。以中国新能源汽车产业链为研究对象,基于2014—2023年800家上市公司年报数据,结合BERT模型与文本分析方法量化内卷式竞争行为,并通过多元回归模型检验其与感知风险的关联,考察产业链内卷式竞争行为(创新遏制、资源囤积与市场掠夺)对企业感知风险的影响。研究发现:创新遏制、资源囤积与市场掠夺均显著加剧了企业感知风险,其中创新遏制的正向效应最为突出;产业链内卷式竞争行为对企业风险感知的影响具有异质性。研究说明内卷式竞争通过遏制、囤积、掠夺的三重机制放大了产业链感知风险,为企业破解低效竞争格局、优化政策设计提供了经验证据与解题思路。

关键词： 科学突破   突破性论文   颠覆性指数   机器学习方法   早期识别  

摘要： [目的/意义]潜在突破性论文是基础研究中最具发展前途的“种子”,可能预示着科学、技术和创新体系的转变。尽早识别突破性论文有助于国家科研管理部门资助潜在的颠覆性基础研究,实现科技创新领域战略的前瞻性部署。[方法/过程]首先,从科学革命理论和突破性论文的内涵出发,指出突破性论文具有破坏性和影响力两个主要特征;然后,以早期识别为目标,兼顾显著性差异和指标稳定性遴选出衡量破坏性特征的测度指标,借助XGBoost模型进行论文未来影响力特征的预测,将同时满足高破坏性和高影响力特征阈值的论文视为潜在的突破性论文;最后,以脑科学领域为例进行验证。[结果/结论]研究提出的方法能够有效进行潜在突破性论文的早期识别,该方法是否具备领域迁移性有待进一步研究。

关键词： 癫痫   颞叶癫痫   Kullback-Leibler散度相似性估计法   脑网络分析   队列研究  

摘要： 目的利用机器学习算法探寻和发掘颞叶癫痫亚型分类及不同亚型手术预后的脑代谢网络特征,为实现颞叶癫痫亚型分类及评估手术预后提供帮助。方法回顾性收集2016年1月至2021年6月就诊于中南大学湘雅医院综合癫痫中心137例药物难治性颞叶癫痫(TLE)患者^(18)F-FDG PET图像作为训练组数据,通过Kullback-Leibler散度相似性估计法获取网络连接数据,提取了6902个网络属性指标以及相关人口学和临床特征。采用决策树、随机森林等8种机器学习模型进行训练。将上述提取的网络特征构建模型对TLE进行亚型分类,并采用2021年7月至2023年8月来自中南大学湘雅医院综合癫痫中心92例药物难治性TLE患者的^(18)F-FDG PET代谢网络数据对训练模型进行验证(独立测试组)。进一步使用决策曲线分析评估,选择临床实用性最高的模型分别对105例颞叶内侧癫痫(训练组76例,独立测试组29例)和33例颞叶外侧癫痫(训练组23例,独立测试组10例)中手术患者进行预后预测。结果训练组男84例,女53例,年龄(22.0±8.0)岁,独立测试组男45例,女47例,年龄(24.2±12.8)岁。训练组8种机器学习模型的受试者工作特征曲线下面积(AUC)在0.904至0.985之间;独立测试组AUC在0.859至0.946之间。根据上述模型性能比较,发现随机森林模型的预测结果最准确且稳定[AUC 0.985(95%CI:0.985~0.986),准确度0.998(95%CI:0.995~1.000),灵敏度0.957(95%CI:0.898~1.000),特异度1.000(95%CI:1.000~1.000)]。颞叶内侧癫痫手术患者训练组对手术预后的预测AUC为0.838(95%CI:0.753~0.923),准确度为0.838(95%CI:0.836~0.841);独立测试组AUC达到了0.783(95%CI:0.549~1.000),准确度为0.793(95%CI:0.782~0.804)。颞叶外侧癫痫手术患者训练组对手术预后的预测AUC为0.962(95%CI:0.881~1.000),准确度为0.957(95%CI:0.953~0.960);而独立测试组AUC也达到了0.800(95%CI:0.408~1.000),准确度为0.900(95%CI:0.882~0.918)。结论提取^(18)F-FDG PET的代谢网络特征构建机器学习模型可协助颞叶癫痫的亚型分类和手术预后评估。

关键词： 理论多相催化   催化剂理性设计   机器学习   机器学习势   生成式模型  

摘要： 多相催化反应在化工领域具有重要地位,是合成氨、煤制油等工业部门的核心.一直以来,为了更好地理解活性位点、反应路径以及微观动力学等信息,基于密度泛函理论的计算方法在这一领域发挥着独特的作用.但受限于计算能力,这样的研究手段难以处理涉及大时间与空间尺度的问题.近年来,作为人工智能重要分支的机器学习方法逐渐兴起,为理论多相催化研究带来了全新的研究范式.本文首先介绍了针对特定催化问题的统计学习模型、应用策略与局限性;然后重点探讨了机器学习势函数及其在多相催化理论模拟中应用的现状与挑战,并强调了近期兴起的通用机器学习势模型及其预训练-微调部署方式在多相催化模拟中的潜力;最后讨论了新兴的包括大语言模型在内的生成式模型在多相催化研究中的前景.在可预期的未来,机器学习方法与多相催化将有更深入的交叉,为多相催化剂理性设计工作带来更多便利,这既是相关研究者的一大机遇,也是新的挑战.