-
应对数据约束挑战:一种集成注意力池化与多任务学习的材料科学深度学习协同策略
在材料科学研究中,数据稀缺和分布不平衡是机器学习应用面临的主要挑战。本文提出了一种集成了注意力池化(AP)、多任务学习(MT)、分类校正回归(CR)和辅助学习(AT)的协同框架。该框架在二维材料数据集中显著提升了功函数和带隙的预测精度,为数据受限条件下的材料性能精准预测提供了高效、可扩展的解决方案。
来源:Materials Genome Engineering Advances
时间:2026-04-28
-
综述:基于AI的塑料废物分类用于分选目的:最新进展与挑战
这篇综述系统回顾了2015-2025年间112篇文献,重点探讨了人工智能(AI)在塑料废物自动化识别与分选领域的最新进展。文章深度剖析了机器学习(ML)、深度学习(DL)和计算机视觉与光谱技术(如近红外NIR、傅里叶变换红外光谱FTIR、拉曼光谱)融合应用的现状,对比了卷积神经网络(CNN)、YOLO架构、Transformer模型等主流AI方法的性能。同时,文章也指出了该领域在真实数据集、可扩展性和环境适应性方面面临的关键挑战,并为未来研究(如轻量化模型、多传感器融合、边缘AI部署)指明了方向。
来源:Waste Management
时间:2026-04-28
-
综述:利用拉曼光谱解析神经生物学中液态-液态相分离的分子机制
这篇综述系统阐述了如何运用非侵入、无标记的拉曼光谱(RS)及其显微成像技术,深入探究神经生物学中关键的液态-液态相分离(LLPS)现象。文章重点剖析了RS在揭示相分离液滴内蛋白质结构(如α-螺旋、β-折叠)、构象变化、蛋白-核酸相互作用以及液滴成熟与聚集过程中的独特优势,为理解神经退行性疾病(如ALS、FTD)的病理机制和开发潜在治疗策略提供了重要的分子层面见解。
来源:Vibrational Spectroscopy
时间:2026-04-28
-
脊髓损伤后压力性损伤重建术后并发症与复发的预测因素:一项系统评价与荟萃分析
本文针对脊髓损伤患者压力性损伤手术重建后并发症与复发风险预测因子尚不明确的临床问题,开展了一项PRISMA指南下的系统评价与荟萃分析。研究结果显示,既往同一部位皮瓣重建史是术后并发症的最强预测因子,并使复发风险显著增加;同时,脊髓损伤节段、糖尿病、吸烟等因素也与不良结局相关。该研究为临床术前风险评估和多学科综合管理策略的制定提供了重要证据。
来源:International Wound Journal
时间:2026-04-28
-
在喀斯特盾构隧道施工中,通过基于簇的地质识别技术实现实时刀盘扭矩预测
杨超月|闵新豪|赵林双|王彦宁
中国广东省汕头市汕头大学工程学院土木工程与智慧城市系,邮编515063
摘要
在喀斯特地层中进行盾构隧道施工面临重大挑战,因为地质条件变化突然且难以预测。刀盘扭矩(CHT)对地质变化非常敏感,如果控制不当,可能会导致过度磨损甚至设备故障。本研究
来源:TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY
时间:2026-04-28
-
基于深度学习的有机朗肯循环涡轮机性能预测与功率调节
邱万杜|陈新安|张成|廖恒基|刘明|史帅杰|袁德文|谢天洲|闫晓
中国核动力研究院先进核能技术国家重点实验室,成都,中国
**摘要**
实时获取涡轮机在非设计条件下的空气动力特性对于有机朗肯循环(ORC)系统至关重要。深度学习方法为解决这一挑战提供了有前景的途径。本
-
用于固体力学中不连续性的局部增强型神经网络
赖志宏|赵鲁阳|邵倩
武汉大学土木工程学院工程力学系,430072,武汉,中国
摘要
物理信息神经网络(PINNs)为固体力学提供了一个有前景的无网格计算框架,但由于能量不平衡和谱偏差,它们在处理涉及局部不连续性问题的应用仍然具有挑战性。为了解决这些限制,我们提出了局部增强神经
来源:INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES
时间:2026-04-28
-
一种用于铁路事故因果识别的双成本敏感图注意力网络
王若进|马晓萍|贾丽敏|杨志强|陈希远
中国北京交通大学先进铁路自主运行国家重点实验室
**摘要**
铁路事故原因分析是制定事故预防策略和确保铁路系统安全运行的关键基础。然而,对于特定类型的铁路事故,不同场景元素组合下的原因往往存在显著不平衡。因此,传统的分类模型往
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY
时间:2026-04-28
-
考虑故障因果推断的可靠性增长建模:以机床为例的研究
陈建洲|潘志豪|陈传海|郭金燕|孟庆宇|刘志峰
中国吉林大学,教育部CNC设备可靠性重点实验室,长春130025
摘要
CNC机床的可靠性不仅取决于单个子系统的故障,还取决于多个子系统故障的协同影响。为了解决这一问题,本文提出了一种基于二元决策图的级联故障模型。该方
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY
时间:2026-04-28
-
动态因果图网络在可靠管道泄漏检测中的应用
张宇轩|卢宇辰|李顿|塞巴斯蒂安·巴德|恩里科·齐奥
中国北京农业大学智能科学与工程学院
**摘要**
在管道结构健康监测(SHM)中,实现可靠的泄漏检测仍然是一个核心挑战。诊断错误可能导致灾难性故障或代价高昂的误报,从而危及系统安全。结合图神经网络(GNNs)的多
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY
时间:2026-04-28