关键词： 随机车流   拉索损伤   深度学习   机器学习   损伤识别  

摘要： 针对大跨度柔性桥梁的损伤识别，提出一种基于车载激励和深度学习的斜拉桥拉索损伤识别方法。根据实测车流数据和蒙特卡洛方法建立随机车流模型，将车流荷载作为斜拉桥有限元模型的外在激励；统计桥梁关键测点的动力响应信息，构建拉索损伤数据库；基于VGG16的深度学习算法对损伤数据的学习，建立损伤与桥梁响应的映射关系。将VGG16与支持向量机、BP神经网络和卷积神经网络等机器学习方法进行对比。算例结果表明，VGG16对车流激励下斜拉桥拉索的损伤识别效果更好，损伤程度越高识别精度越高，且单一损伤的识别效果高于多损伤识别。

关键词： 浸润性肺腺癌   机器学习   生物标志物   风险评估模型   列线图  

摘要： 目的 确定肺腺癌（lung adenocarcinoma,LUAD）预后生物学标志物，并据此建立LUAD预后的预测模型。方法 从UCSC数据库获取癌症基因组图谱（TCGA）LUAD基因表达量和临床病理数据，把纳入的数据进行综合生物信息学分析，包括差异表达基因（differentially expressed genes,DEGs）筛选、基因本体（GO）功能富集分析、京都基因与基因组百科全书（KEGG）分析和基因集富集分析（GSEA）。采用Cox分析和最小绝对值收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归分析构建基因组的风险评估预测模型，并采用列线图预测患者1年、2年、3年、5年和10年生存率。绘制Kaplan-Meier生存曲线、受试者工作特征（receiver operating characteristic,ROC）曲线和时间依赖性ROC曲线评价模型的预测能力。在验证组中校验模型。结果 浸润性LUAD患者不同级别病理亚型间DEGs富集分析结果显示，280个DEGs主要参与细胞色素P450相关物质代谢、自然杀伤细胞介导的免疫反应、抗原的呈递和酶活性调节等生物学过程，与肿瘤的发生、发展密切相关。构建5个基因（MELTF、MAGEA1、FGF19、DKK4、C14ORF105）组成的风险预测模型，Cox分析和LASSO回归显示，模型的ROC曲线下面积（area under the curve,AUC）值为0.675，时间依赖性ROC曲线1年、3年、5年AUC值分别为0.893、0.713、0.632，表明该预测风险模型具有良好的敏感性和特异性。在验证组中，校准曲线和一致性指数（C指数）也表明构建的列线图预测性能较好。结论 5个基因组成的预测模型可作为LUAD患者生存率实用和可靠的预测工具，这可能有助于制定个体化治疗的临床决策，为患者预后预测提供一种新方法。

关键词： 重症手足口病   反向传播神经网络模型   预测   人工神经网络   Logistic回归模型   机器学习  

摘要： 目的 通过构建反向传播神经网络(BPNN)模型，筛选重症手足口病(HFMD)临床早期预警指标，探讨神经网络技术在临床中的应用价值。方法 收集河南省新乡医学院第一附属医院感染科及儿科2019年1月至2023年1月收治的HFMD患儿临床资料，使用SPSS Modeler18.0将数据分为70%的训练样本和30%的测试样本，并构建BPNN模型和Logistic模型，对比评估模型预测准确性及筛选效果。结果 共收集589例患儿临床资料进行分析，轻症组324例，重症组265例。BPNN模型和Logistic回归模型的测试集(n=178)预测正确率为82.02%、84.83%;ROC曲线下面积及95%CI分别为0.791(0.749～0.834)和0.625(0.577～0.674)。BPNN模型输出的预测变量中，对分组影响最大的前5位因素为：最高体温、发热持续时间、谷氨酰转肽酶、天冬氨酸氨基转移酶和球蛋白。两模型输出预测变量重要性结果前十位中重合的有3个，分别为：最高体温、发热持续时间和肢体抖动。结论 BPNN模型和Logistic回归模型在筛选验证重症手足口病危险因素方面均表现良好，但BPNN模型的综合预测性能更好，BPNN模型筛选出的前五名重症HFMD影响因素为最高体温、发热持续时间、谷氨酰转肽酶、天冬氨酸氨基转移酶和球蛋白。

关键词： 媒介文化   人工智能   后人类   数字媒体生态   媒介尚古主义  

摘要： 人工智能作为关键技术类行动者的崛起令人机共生成为数字媒体生态的基本结构。人类能动性被机器逻辑弱化乃至褫夺,导致了全球媒介文化的后人类状况。在此局面下,媒介尚古主义兴起,其本质是通过复兴旧媒介实践、重建旧媒介经验的方式对人工智能支配下的数字媒体生态进行反拨的人类文化行动。媒介尚古主义体现出有限连接、反自动化和模拟美学三个核心特征,培育了包括黑胶唱片再生、慢传媒、众包新闻、故障艺术等诸多全球性媒介行动。媒介尚古主义主张复建人类在场的文化生产机制,可以成为我们理解数智时代人类媒介抵抗实践的基本框架。但与此同时,媒介尚古主义也不可避免受制于科技资本主义的政治经济结构,面临着文化挪用、商品化和拜物教化的困境。

关键词： 纤锌矿铁电材料   自发极化强度   机器学习   第一性原理  

摘要： 自发极化强度是衡量铁电材料极化能力的关键指标。新兴的纤锌矿铁电材料因较高的自发极化而受到广泛关注，但目前对影响这一性质的关键因素的理解仍然不足。本文通过结合机器学习和第一性原理方法来解决这一问题。首先，计算了40种二元和89种简单三元纤锌矿材料的自发极化强度，并从元素基本属性、晶体结构参数和电子性质中提取了多种特征。随后，采用Boruta算法和距离相关系数分析方法进行特征筛选，提出了一个全面而精确的纤锌矿材料自发极化强度的机器学习预测模型。更重要的是，借助SHapley Additive exPlanations分析方法，阐明了影响自发极化强度的关键因素是阳离子离子势的均值IPi＿Aave和晶胞参数a等。这种多因素的影响机制弥补了目前对自发极化强度影响因素理解的缺乏，为系统评估新兴纤锌矿材料的自发极化强度做出了基础性贡献，有助于加快性能优异的纤锌矿铁电材料的筛选。本文数据集可在科学数据银行https://***/10.57760/sciencedb.j00213.00073中访问获取(审稿阶段请通过私有访问链接查看本文数据集https://***/s/mAVvym)。

关键词： 人工智能   电力系统   自动化  

摘要： 在现代科技快速发展的今天,电气工程与自动化涵盖了发电、输配电系统、电力设备和自动控制系统等多个方面,其研究和应用对于实现可持续发展和社会进步至关重要.随着人工智能、大数据和物联网等技术的迅速发展,电力系统中的智能技术也逐渐成为一个备受关注的话题.基于此,本文将针对人工智能技术在电力系统自动化中的应用展开深入研究,分析了人工智能技术在电力系统自动化中的应用路径,旨在进一步提高电力系统运行效率.

关键词： 人工智能   电力系统   故障定位   恢复技术  

摘要： 随着电力输电工程规模和复杂性的增加,传统的故障定位与系统恢复技术已无法满足现代化要求.通过分析海量的历史数据,人工智能可以实现对电力输电工程故障的精确诊断和智能修复,提高工程的可靠性与可用性.基于此,本文探讨了如何应用人工智能满足电力输电工程故障定位和恢复的要求,旨在提升电力系统故障诊断的精确度与效率,力求实现更准确、更高效的电力系统故障检测.

关键词： 锂离子电池   钒酸盐   负极材料   机器学习   离子电负性  

摘要： 鉴于成本效益、高能量密度及资源丰富性，研发高储能锂离子电池钒酸盐（MVO）负极材料成为当前科研热点。采用数据驱动的方法，融合数据收集与特征筛选、相关性分析、多元模型构建与对比，特征贡献度解析等手段，旨在揭示决定钒酸盐负极材料储能性能的关键因素。根据变量相关度分析可知，M元素离子电负性与首圈、稳定后放电比容量具有较强相关性。通过不同算法的综合比较，Adaboosting+决策树算法模型预测性能最为出色，决定系数分别高达0.89、0.81，shap分析显示离子电负性对该模型预测输出贡献度极高。经相关性研究与机器学习模型预测综合判断，确证M元素离子电负性与储能能力呈较强正相关。基于数据驱动方式可以加速钒酸盐负极材料研发，并为其它领域新型材料研发提供了思路。

关键词： 机器学习   动网格   元胞自动机   格子玻尔兹曼  

摘要： 合金凝固过程中的收缩行为是决定铸锭质量的关键因素之一，利用数值模拟方法可以预测铸锭缩孔。本文建立了一种基于机器学习的动网格模型，能够模拟铸件凝固过程的动态收缩行为。采用元胞自动机进行铸件凝固模拟，采用RBF算法(Radial Basis Function， RBF)和SVM算法(Support Vector Machines，SVM)计算凝固收缩过程的网格运动位移，从而对凝固过程收缩的动态模拟。采用该模型计算了Al-4.7%Cu合金铸锭的缩孔形貌，并进行了对应的浇铸实验验证，模拟结果与试验结果误差不超过2%，符合较好。说明该模型能够有效捕捉凝固收缩引起的铸件变形的动态过程，且能够捕捉固液界面复杂形貌的演变，为凝固过程数值模拟提供了一种新思路。

关键词： 机器学习   图神经网络描述符   离子液体   二氧化碳   亨利系数  

摘要： CO2排放是气候变化的主要推动因素之一,有效的CO2捕集与储存技术的开发迫在眉睫.然而,设计高效的吸收过程的一个关键挑战是准确预测CO2在各种离子液体(ionic liquids, ILs)中的亨利系数.本文提出了一种结合图神经网络(graph neural network, GNN)和机器学习(machine learning, ML)框架用于预测CO2在ILs中的亨利系数.我们采用图卷积网络(graph convolutional networks GCN)、图注意力网络(graph attention networks, GAT)、图同构网络(graph isomorphism networks, GIN)和图样本聚合评估器(graph sample and aggregate networks, GraphSAGE)等四种图神经网络生成描述符,并将其与多种机器学习算法(K-nearest neighbors(KNN)、support vector regression(SVR)、random forest(RF)、gradient boosting regression trees(GBRT)、extreme gradient boosting(XGBoost))相结合,系统比较了这些组合在HLC预测中的表现.研究结果表明,图神经网络与树模型算法(如GBRT、XGBoost、RF)的结合显著优于KNN和SVR组合.其中, GNN+GBRT在训练集上的表现最佳,而GNN+XGBoost在测试集上表现最优.此外, GCN生成的描述符整体性能略优,这证明了GCN在处理复杂分子结构数据方面的强大能力,可以用来构建高精度的CO2亨利系数预测模型.该框架在CO2亨利系数预测中的成功应用为CO2捕集技术的优化提供了有力支持,从而推进了环境技术与可持续工程的发展.