-
一种基于物理增强的神经网络框架,用于建模和表征热粘塑性行为
提出基于物理原理的神经网络框架(PANN),结合热力学第二定律和坐标不变性,解决温度与应变率依赖的塑性建模难题,实现从率无关弹塑性到粘塑性行为的准确预测与热效应分析。
来源:COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING
时间:2026-04-05
-
基于图神经网络(GNN)的海上丝绸之路交通网络时空韧性预测
21世纪海上丝绸之路运输网络韧性评估与预测研究,构建四层加权图神经网络模型,整合AIS、ERA5和GISIS多源数据,动态量化预测网络空间时变韧性。结果表明网络整体韧性较强,近岸段表现更优,存在显著空间异质性和周期性波动,热带气旋引发短期韧性下降但可恢复。
来源:TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT
时间:2026-04-05
-
一个可解释的电动出租车充电需求预测框架:来自中国上海的证据
可解释扩散图神经网络XAI-DiffNet通过多语义小世界图融合地理 adjacency、功能相似性、出行流及历史充电关联,分离短程局部扩散与长程全局扩散,结合多尺度解释器量化时空贡献,在上海20,000辆电出租车数据上使预测误差降低18%。研究表明时间动态主导预测贡献,高需求集群和交通枢纽具有系统性影响。
来源:TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT
时间:2026-04-05
-
在缺少循环数据的情况下,利用物理增强型神经网络控制微分方程来预测锂离子电池的健康状态
锂离子电池健康状态(SOH)估计面临不规则采样和结构缺失数据挑战,传统数据驱动方法效果不佳。本文提出融合物理降阶模型与神经控制微分方程(PA-NCDE)框架,通过电化学模型生成锂沉积、应力及SEI生长等退化指标,结合连续时间神经网络处理缺失数据,并引入单调退化约束确保物理一致性。实验表明,PA-NCDE在RMSE和MAE指标上优于传统RNN模型,尤其在数据缺失场景下表现更优。
来源:JOURNAL OF POWER SOURCES
时间:2026-04-05
-
综述:自动驾驶车辆中用于深度估计的多传感器融合技术进展:一项全面综述
自动驾驶车辆中多传感器融合深度估计的系统研究,分析2020-2025年间74篇文献,发现基于注意力机制和多分支神经网络的深度学习融合架构显著优于传统方法,但存在传感器对齐、计算成本高和可解释性不足等挑战,提出未来需发展自适应系统、轻量模型及统一基准。
来源:ADVANCED ENGINEERING INFORMATICS
时间:2026-04-05
-
通过分段透镜设计和结构优化提升聚光光伏/热能系统的性能
研究提出分 lens 结构用于解决传统线性菲涅尔反射器(LFR)的镜面遮挡和空间占用问题,建立光热电耦合模型,通过单目标优化和多目标优化(PSO-BPNN-NC)方法获得电气效率12.302%、光热效率69.085%、总效率77.251%、总能效率13.985%等最优解,为CPV/T系统优化提供新方法。
来源:ENERGY CONVERSION AND MANAGEMENT
时间:2026-04-05
-
用于离散点异常检测的属性解耦图神经架构搜索
离散点异常检测中,传统图神经网络架构搜索方法存在边节点属性耦合、固定拓扑结构导致的适应性不足问题。本文提出属性解耦的图神经网络架构搜索方法(ADGNAS),通过解耦边节点属性聚合过程和动态构建最优架构,有效适配不同K近邻图(KNNG)的分布差异,显著提升检测性能与效率。
来源:Expert Systems with Applications
时间:2026-04-05
-
自适应小波滤波器作为实用的纹理增强工具:从视网膜病理学角度探讨早期帕金森病的筛查方法
视网膜纹理特征与自适应小波滤波在PD早期筛查中的应用 | OCT图像分析 | 平衡置信损失优化 | 深度神经网络特征增强 | 波let域映射技术 | 疾病早期诊断模型 | 融合纹理与形态学特征 | 信任度评估 | 多中心数据验证 | 小波变换频域学习
来源:Expert Systems with Applications
时间:2026-04-05
-
基于深度学习序列集成优化的有限数据岩性识别
针对小样本数据场景下深度学习模型的过拟合与泛化不足问题,本文提出梯度提升串联集成优化方法(eGB),通过构建局部损失函数与指数交互机制,实现多子网协作学习。实验表明,集成模型在DNN和LSTM基础上,将岩性识别精度提升2.2%,有效利用有限数据并增强非线性映射能力。
来源:Engineering Applications of Artificial Intelligence
时间:2026-04-05
-
基于物理知识的神经算子用于预测车辆引起的桥梁振动轨迹
车辆-桥梁相互作用(VBI)动力学模拟需解决高计算成本问题。本文提出物理信息神经网络算子(PINO)融合多输入神经操作器与定制损失函数,嵌入VBI物理原理,实现桥梁振动轨迹高效预测。实验表明PINO在结构健康监测和可靠性设计中展现实时推断优势,通过迁移学习显著减少跨桥梁建模数据需求,相较纯数据驱动模型在精度、效率及小样本鲁棒性方面均有提升。
来源:Engineering Applications of Artificial Intelligence
时间:2026-04-05