-
从“创新荒漠”到“创新枢纽”:基于数据驱动的美国县域创新生产力测度与政策干预框架
为解决美国区域创新生产力分布不均、缺乏系统性识别“创新荒漠”及量化政策干预效果的问题,研究人员开展了一项基于机器学习的大规模县域创新生态系统研究。他们构建了一个集成混合特征选择、非线性降维及粒子群优化XGBoost(PSO-XGBoost)的预测框架,在覆盖3200余个县的数据集上实现了R2>0.81的预测精度。该研究不仅揭示了创新产出的关键非线性驱动因素,还通过残差分析为政策制定者提供了识别“创新荒漠”和制定精准干预策略的循证依据,对促进包容性创新生态系统建设具有重要意义。
来源:IEEE Transactions on Computational Social Systems
时间:2025-12-22
-
利用深度强化学习实现数字孪生技术对隧道掘进机进行实时控制,以管理累积沉降问题
基于数字孪生的深度强化学习优化盾构机掘进参数及累积沉降控制研究。提出融合地质条件与沉降状态的数字孪生模型,设计包含稳定、沉降、成本的综合奖励函数,结合蒙特卡洛树搜索提升决策前瞻性。在南京地铁11号线工程中验证,显著降低地面沉降并优于NSGA-II算法。
来源:AUTOMATION IN CONSTRUCTION
时间:2025-12-22
-
综述:通过工业4.0和BIM技术实现民用建筑的可持续发展
该研究通过系统文献综述分析2014-2024年相关文献,探讨BIM与工业4.0技术如何通过建筑作为材料银行(BAMB)概念提升可持续发展,发现两者可优化全生命周期管理,减少资源浪费和碳排放,并构建整合技术的框架。
来源:AUTOMATION IN CONSTRUCTION
时间:2025-12-22
-
基于改进版YOLOv12的小目标工人检测方法,适用于大型建筑场景
针对大型施工现场中工人目标检测精度低、背景干扰大等问题,构建了包含25个大型施工现场的STWD数据集,并提出基于注意力机制、浅层特征融合和改进损失函数的STW-YOLO方法,在三个小目标数据集上达到SOTA性能。
来源:AUTOMATION IN CONSTRUCTION
时间:2025-12-22
-
基于数据驱动的数字孪生技术,用于建筑领域的大规模3D打印
数字孪生驱动的多机器协同优化与材料流变学动态控制在大规模3D打印中的应用研究。通过实时采集机器参数与材料性能数据,构建预测模型实现自适应反馈控制,实验表明该框架可将材料消耗降低7.5%,打印精度提升30%以上。
来源:AUTOMATION IN CONSTRUCTION
时间:2025-12-22
-
利用惯性测量单元(IMU)与脉冲相干雷达(PCR)传感器融合技术进行低成本路面粗糙度评估
路面粗糙度低成本评估系统研究,提出IMU与PCR传感器融合技术,通过惯性测量单元捕捉车辆动力学并补偿,脉冲相干雷达直接测量路面几何形变,结合频率域处理分离真实粗糙度。实验验证MAPE<9%,R²>0.96,成本仅214美元,较传统设备降低80%-88%,配备用户友好图形界面。
来源:AUTOMATION IN CONSTRUCTION
时间:2025-12-22
-
基于解耦闭环控制与自适应策略的关节型软体机器人运动刚度协同调控新方法
本文针对由机电可变刚度驱动器(VSA)驱动的关节型软体机器人(ASR),提出了一种创新的非线性自适应控制策略。该研究解决了运动与刚度动力学的强耦合、高度非线性及模型精度敏感三大挑战,通过特征值偏移实现解耦控制,结合级联结构与自适应算法,在保证稳定性的同时实现了运动位置(qd)、速度(˙qd)与刚度(σd)的独立精确跟踪。实验表明该方法在1-3自由度系统中均能有效抑制参数不确定性,为软体机器人动态作业提供了新思路。
来源:IEEE Transactions on Control Systems Technology
时间:2025-12-22
-
一种先进的数据可靠性评估方法,应用于高填土坝变形分析
高心墙石坝变形监测数据可靠性评估与特征提取方法研究
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY
时间:2025-12-22
-
技术的双刃剑:通过数字素养、互联网自我效能感和认知灵活性来探究技术压力与技术积极影响在学术倦怠中的作用
技术压力与应激影响学业倦怠的中介机制研究,通过677名土耳其大学生样本,采用双重链式中介模型分析,发现技术压力(TS)对学业倦怠(AB)有显著总效应,而技术应激(TES)通过数字素养(DL)、互联网自我效能感(ISE)和认知灵活性(CF)的链式中介效应间接影响学业倦怠。研究证实DL促进ISE,ISE提升CF,最终缓解TS并降低AB。
来源:COMPUTERS and EDUCATION
时间:2025-12-22
-
基于分解克里金的多层信息优化方法及其在不确定性设计中的应用
本文针对高维复杂工程问题中传统优化方法计算成本高昂、难以处理不确定性的挑战,提出了一种名为多层信息优化(MLIO)的新框架。该框架通过将问题分解为对称、可分离和无假设三个层次,构建了分解克里金(DKG)代理模型,实现了对不确定性量化(UQ)和优化(OPT)的高效协同处理。研究结果表明,MLIO方法在2至200维的测试函数上均表现出卓越的精度和可扩展性,显著优于传统的多项式混沌展开(PCE)与遗传算法(GA)的组合方法,为复杂系统的稳健设计提供了强大的计算工具。
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY
时间:2025-12-22