-
一种用于电动汽车前脸设计的方法:基于对由生成式人工智能(GenAI)生成的图像进行工程可行性优化
针对生成式AI工具在电动汽车前脸设计工程可行性不足的问题,提出融合曲线优化与多专家协作评估的系统方法。通过构建燃油车风格语义数据库,利用AI生成初始方案并优化几何曲线,结合模拟与人工评估提升制造可行性,案例显示工程得分从2.3提升至7.1,验证了该混合设计流程的有效性。
来源:Expert Systems with Applications
时间:2026-02-06
-
一种统一的框架,用于在野外环境中识别基本和复杂的面部表情,该框架结合了标签分布学习和动态集成选择技术
基本-复合面部表情识别框架通过标签分布学习建模混合情感,结合动态集成选择提升跨任务鲁棒性,在RAF-DB数据集上验证优于传统独立处理方法。
来源:Expert Systems with Applications
时间:2026-02-06
-
Vul2image:一种基于图像识别技术和卷积神经网络(CNN)的快速漏洞检测系统
Vul2image系统通过提取潜在漏洞代码片段(PVCF)并整合文本、语义和依赖图信息构建RGB图像模型,采用CNN算法实现高效的大规模漏洞检测,速度较现有方法提升35倍,在自建及公开数据集上表现优异,发现21个已知和5个未报告漏洞。
来源:Expert Systems with Applications
时间:2026-02-06
-
关于重油原位燃烧特性的深入研究:温度、油-气-水饱和度、焦炭沉积以及提高石油采收率的方法
原位燃烧技术中原油粘度对燃烧前移、焦炭沉积及热效应驱油效率的影响规律研究,基于燃烧管实验构建反应动力学模型并集成CMG STARS模拟软件,系统分析不同粘度原油下温度场演化、相态迁移及热效应对提高采收率贡献度,发现高粘度原油加剧焦炭沉积并形成蒸发带,但存在水封阻效应,同时对比氮气驱、烟气驱与原位燃烧技术,明确热效应贡献率超90%。
-
DQVeriChain:基于区块链的分布式量子状态验证与DID(去中心化身份)技术的自注意力大型语言模型,用于犯罪追踪
量子区块链融合身份验证与智能犯罪检测研究提出DQVeriChain框架,整合区块链分布式身份(DID/AnonCreds)、量子主成分分析(QPCA)和LLM驱动预测,通过GHZ态验证(>0.5)和ZZ特征映射实现高精度(99.56%-99.82%)犯罪追踪,采用5/5量子比特轻量化方案。
来源:Future Generation Computer Systems
时间:2026-02-06
-
综述:基于深度学习的计算机视觉方法在盾构隧道缺陷识别中的应用
系统综述了基于深度学习的盾构隧道缺陷识别方法,涵盖数据集建立、模型开发及实践应用三个阶段,分析了现有挑战并提出未来研究方向,以促进智能化维护。
来源:AUTOMATION IN CONSTRUCTION
时间:2026-02-06
-
CATCH:因果注意力增强的元路径语义融合方法,用于实现鲁棒的双曲异构图嵌入
针对异构图表示学习中存在的虚假语义关联问题,本文提出CATCH模型,创新性地将双曲空间与因果推理结合,通过因果注意力增强机制优化信息融合,有效提升模型对噪声的鲁棒性和跨任务泛化能力。
来源:Information Fusion
时间:2026-02-06
-
综述:将数据与领域知识相结合以实现预测智能:智能制造中DKF-DPM方法的全面综述
数据与知识融合驱动的预测模型(DKF-DPM)在复杂制造场景中展现出高精度与鲁棒性,通过整合数据驱动学习与物理、领域知识,优化非线性、多源及高不确定性过程的建模与预测。本文系统综述DKF-DPM在智能制造中的应用进展,涵盖设备状态(失效与疲劳寿命)、加工过程(切削力与残余应力)、制造结果(加工质量与变形)及控制决策(参数优化)四大核心场景,分析其建模框架与优势,并探讨现存局限性与未来研究方向,提出跨领域评估标准及人机协同发展路径。
来源:Journal of Manufacturing Systems
时间:2026-02-06
-
识别和理解颠覆性能源技术:一种数据驱动的综合性方法
该研究提出一种整合专利分析、文本挖掘和专家调查的两阶段框架,用于识别颠覆性能源技术。通过整合专利数据、政策文件、新闻文本等多源信息,聚焦核能、风能、太阳能、储能和氢能五大领域,识别出小型模块化反应堆、氢燃料电池等具有潜力的技术,并验证了框架的有效性。研究强调需结合技术特性与非技术因素,构建了技术评估模型,为清洁能源转型中的投资和政策制定提供参考。
来源:Energy Economics
时间:2026-02-06
-
基于深度学习的替代建模技术,用于加速修补复合材料层压板的固化过程优化
本研究针对复合材料修补中残余应力预测与优化效率低的问题,构建了基于在位应变监测、高精度多物理场仿真与深度学习的综合框架。通过实验获取关键位置应变数据验证有限元模型,并基于该模型训练深度学习代理模型,实现固化度与三维残余应力场的快速预测(误差<8%),优化效率较传统FEA提升四个数量级,最终通过多目标优化获得兼顾残余应力峰值、固化时间与程度的Pareto前沿,为智能修补设计提供新方法。
来源:Composites Part B: Engineering
时间:2026-02-06