• 土耳其版身体感知问卷的有效性和可靠性研究

  摘要本研究旨在通过跨文化适配来评估土耳其语版本的《身体感知问卷》（Body Perception Questionnaire，简称BPQ）的有效性和可靠性。研究共有295名参与者，平均年龄为32.15岁（标准差：14.11岁，中位数：26岁）。翻译和跨文化适配过程遵循了Beato

  来源：Journal of Bodywork and Movement Therapies

  时间：2026-10-10

• 用于预测具有缺陷界面的一维复合材料均匀化等效性能的物理信息神经网络

  摘要对功能增强材料的日益增长的需求推动了多尺度方法的发展，该方法能够从非均匀微观结构和界面相互作用预测材料的有效性能。在本工作中，我们开发了一种结合两尺度渐近均匀化方法与物理信息神经网络的耦合多尺度框架，用于预测具有不完美界面的一维周期复合材料的有效行为。物理信息神经网络求解

  来源：Mathematics and Mechanics of Solids

  时间：2026-10-10

• 从全局搜索到局部查找：基于可微守卫逻辑的可扩展知识库补全

  摘要AI 摘要如需查看此 AI 生成的摘要，您必须拥有高级访问权限。了解更多登录摘要摘要目前最先进的知识库补全模型，从几何嵌入到图神经网络（GNN），都取得了令人瞩目的预测性能，但它们存在一个关键局限：这些模型如同黑箱，往往忽视数据一致性，所产生的预测结果会违反严格的本体论约

  来源：Proceedings of the ACM on Management of Data

  时间：2026-10-10

• 基于图神经网络的预算约束交互式属性图修复

  摘要AI 摘要要查看此 AI 生成的摘要，您必须拥有高级访问权限。了解更多登录摘要摘要属性图是一种强大的数据模型，但它们常常因违反完整性约束而遭受不一致性的困扰。现有的修复策略要么是完全自动化的——在处理需要领域专业知识的模糊案例时力不从心——要么是由人工驱动的，缺乏可扩展性

  来源：Proceedings of the ACM on Management of Data

  时间：2026-10-10

• FNO-PD：一种基于傅里叶神经算子的物理-数据驱动框架，用于车轨耦合系统动力学响应的高效计算

  **摘要** 准确高效地计算车轨耦合系统的动力学响应对于高速铁路的安全、平稳运行及维护优化至关重要。然而，传统数值仿真方法在求解大规模动力学问题时存在显著的效率瓶颈，而现有的深度学习方法难以准确表征系统的全局动态耦合特性。为应对这些挑战，本研究提出了一种基于傅里叶神经算子的

  来源：MECHANICAL SYSTEMS AND SIGNAL PROCESSING

  时间：2026-10-10

• 考虑不连续接头运动的管片隧道横向力学状态混合物理-数据驱动诊断方法

  - 提出了一种用于接缝装配式隧道横向力学状态的物理-数据驱动混合诊断方法。 - 该方法在求解正向问题时，精度几乎与解析方法相当。 - 该方法在求解反向问题时展现出优异的泛化能力和鲁棒性。 **引言** 地下接缝装配式隧道，如地铁和高速铁路系统的地盾隧道，是城市交通系统中不

  来源：TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY

  时间：2026-10-10

• 来自LAMOST DR10光谱的强[O III]发射线致密星系的物理性质

  摘要 强 [O iii] 发射线紧致星系，包括绿豌豆、蓝莓和紫葡萄星系（BPGs），是极端高红移恒星形成星系的本地类似物。我们开发了一种具有自注意力机制的贝叶斯神经网络（BNN），用于从预处理后的光学光谱

  来源：Publications of the Astronomical Society of Japan

  时间：2026-10-10

• 产热翅片立方腔体中 MXene-甲苯纳米流体三维共轭自然对流传热：有限元与人工神经网络研究

  **摘要** 本研究采用Galerkin有限元法，数值模拟了含有六个内部生热翅片的立方体腔体内MXene-甲苯纳米流体的三维自然对流换热问题。研究动机源于电子设备散热和太阳能热系统等高热流密度应用中迫切需要高效的被动热管理方案，而基于MXene的纳米流体在三维带翅片腔体中的

  来源：International Communications in Heat and Mass Transfer

  时间：2026-10-10

• OptiPINN：一种两阶段NSGA-II多目标优化框架，用于求解对流与辐射耦合的二维瞬态非线性传热问题

  - 提出了一种OptiPINN框架，用于求解二维非线性瞬态热传导问题。 - 采用两阶段NSGA-II策略优化PINNs的架构与损失权重。 - 确定了物理约束损失分量的帕累托最优权重。 - 与基线PINNs相比，总训练损失降低了80.93%–92.25%。 - 在三个基准案例中

  来源：International Communications in Heat and Mass Transfer

  时间：2026-10-10

• 一种用于反应扩散方程正逆问题的残差加权物理信息神经网络

  摘要物理学信息神经网络（PINNs）是一种求解偏微分方程（PDEs）的有效深度学习方案。在本研究中，我们提出了一种残差加权物理学信息神经网络（RW-PINN），这是一种旨在提高基于PINNs的算法精度的新方法。我们构建了一个具有两种残差加权方案的深度学习框架来求解反应-扩散方

  来源：International Communications in Heat and Mass Transfer

  时间：2026-10-10

知名企业招聘：