当前位置:首页 > 今日动态 > 神经科学
  • 绘制友谊的图谱:社交网络认知的基础与起源

    人类通过神经和认知机制导航社交网络,涉及观察学习、社交推理及信息整合策略。研究探讨了友谊形成因素、信息不足时的认知启发式应用、个体差异(神经认知、性别、人格)及进化发展起源,指出社交网络导航依赖通用认知能力与社会特化适应的协同作用。

    来源:Evolution and Human Behavior

    时间:2026-04-25

  • 基于神经网络的工业机器人工具中心点自适应调整

    在基于熔化极气体保护焊(GMAW)的电弧增材制造(WAAM)中,焊丝弯曲和导电嘴磨损会导致焊丝偏离预设的工具中心点(TCP),严重影响大型构件的尺寸精度。为解决此难题,研究人员开展了一项利用多层感知机(MLP)神经网络模型预测和补偿焊丝偏离的前沿研究。通过构建计算机视觉(CV)测量与有限元分析(FEA)模拟相结合的数据集,并开发了一个包含三个独立神经网络模型的预测系统,该研究实现了对TCP的实时、预测性补偿,平均绝对误差(MAE)低至0.088毫米,显著提升了WAAM工艺的精度和稳定性。

    来源:Advances in Industrial and Manufacturing Engineering

    时间:2026-04-25

  • 基于涡度-速度物理特性的神经网络,用于对欠采样速度测量数据进行时空超分辨率处理

    粒子图像测速(PIV)数据超分辨率重建中,传统方法因依赖未测量的压力场导致约束不足。本研究提出基于涡量传输方程的VVPINN方法,通过消除压力项直接约束速度场及其导数,在层流多圆柱尾迹、二维泰勒-格林涡旋和双圆柱实验中验证,VVPINN显著降低涡量和剪切误差约10%-30%,压力梯度误差更小,时空谱分析显示物理更合理。

    来源:Journal of Fluid Mechanics

    时间:2026-04-25

  • 变分数字孪生(VDT):面向能源系统实时感知与不确定度感知的轻量化贝叶斯框架

    为解决能源领域数字孪生(DT)缺乏实时更新、不确定度量化(UQ)及双向同步的难题,研究人员提出变分数字孪生(VDT)框架。该研究通过引入贝叶斯输出层与变分推理,在GPU上实现秒级更新,显著提升了CHF预测(R²≈0.98)、可再生能源与核电站瞬态工况的预测精度与鲁棒性,为工业级DT提供了可扩展的数学基础。

    来源:Energy and AI

    时间:2026-04-25

  • 用于甲烷吸附预测的物理信息神经网络:跨气体迁移学习、物理约束下的集成崩溃与蒙特卡洛Dropout不确定性量化

    为解决跨越不同煤阶准确预测甲烷吸附量这一关键挑战,研究人员开展了一项结合物理信息神经网络(PINN)、跨气体迁移学习和贝叶斯不确定性量化(UQ)的前沿研究。通过从氢吸附任务迁移知识,并系统比较五种UQ方法,该研究显著提升了预测精度与训练效率,并发现蒙特卡洛Dropout是物理约束框架下表现最佳的UQ策略,为地质材料的可靠建模提供了高效且可解释的数据驱动新范式。

    来源:Energy and AI

    时间:2026-04-25

  • 基于射线级深度学习校正的太阳能塔通量密度实时预测数据驱动数字孪生方法

    本文研究旨在解决太阳能塔接收器通量密度测量面临的挑战。当前直接和间接测量方法存在干扰性、成本高昂且不适用于腔体接收器的问题。为此,研究人员提出了一种数据驱动方法,将四个顺序运行的卷积神经网络与蒙特卡罗光线追迹模拟器相结合,在接收器孔径平面对模拟射线的功率和方向分量进行校正。该方法在孔径平面的功率校正精度高达95.0%,方向预测的Pearson相关性超过80.0%。校正后的射线被投射到三维腔体接收器几何结构中,与实验测量相比,在Solarturm Jülich设施上实现了80.9%的集成通量预测精度。该研究为开放和腔体太阳能接收器的通量密度预测提供了一种通用的、非破坏性的、工业可扩展的解决方案。

    来源:Energy and AI

    时间:2026-04-25

  • 面向非绝热火焰热化学建表的机器学习加速:基于温度剖面控制的迁移学习策略

    为解决燃气轮机等非绝热燃烧系统中热化学源项计算昂贵且传统HFRD方法在强热损失下泛化受限的问题,本研究提出了一种温度剖面控制策略,通过构建一维燃烧器稳定火焰数据集扩展HFRD的焓空间覆盖范围。基于该数据训练的ANN模型在PRECCINSTA模型燃烧室LES-PDF模拟中,实现了与直接积分相当的高精度及显著加速,为工业非绝热燃烧的机器学习建表提供了有效解决方案。

    来源:Energy and AI

    时间:2026-04-25

  • 综述:多孔介质流动的物理信息神经网络:能源应用中的基准、变体及前景

    本综述系统梳理了物理信息神经网络(PINN)在多孔介质流动(PMF)中的前沿应用。文章聚焦(PINNs)在(Darcy)流、(Buckley-Leverett)位移及(EOR)等能源场景下的求解性能,对比了(XPINN)、(gPINN)等变体,并讨论了其在替代传统数值模拟与加速(UQ)方面的潜力。

    来源:Energy and AI

    时间:2026-04-25

  • 基于微震监测与深度学习的岩爆发生时间预测:为深埋隧道施工安全提供新方案

    为解决深埋隧道施工中岩爆发生时间难以准确预测的难题,研究人员开展了岩爆时间预测研究。他们利用微震监测收集振动波形,构建了融合CNN(卷积神经网络)和BiLSTM(双向长短期记忆网络)的预测模型。该模型通过交叉注意力机制动态融合时空特征,预测岩爆发生概率并推算时间。工程验证显示模型预测精度高(R2=0.95),误差低于3小时,最小误差仅0.3小时,为岩爆短期预警提供了有效新方法。

    来源:Journal of Rock Mechanics and Geotechnical Engineering

    时间:2026-04-25

  • 综述:用于驱动可持续可靠未来电网的氢燃料电池:先进拓扑结构、控制方案、挑战及未来方向

    这篇综述聚焦氢能在构建零排放电网中的核心作用,系统梳理了燃料电池(FC)集成电网的电力电子拓扑(如DC-DC变换器、多电平逆变器)与先进控制策略(电流/电压/混合补偿器)。文章深入剖析了功率质量恶化(PQ)的抑制机制,对比了不同变换器的电压增益与效率,并基于全球示范项目数据,论证了“绿色”氢能结合智能电网技术实现碳中和的关键路径与未来方向。

    来源:International Journal of Hydrogen Energy

    时间:2026-04-25


高级人才招聘专区
最新招聘信息:

知名企业招聘:

    • 国外动态
    • 国内进展
    • 医药/产业
    • 生态环保
    • 科普/健康