• 一种新颖的混合物理数据驱动的编码器-解码器模型，用于风力涡轮机尾流预测

  毛坤叶|韩桥汉|明秋刘|德成万|穆斯塔法·阿卜杜勒-马克苏德•提出了一种基于物理数据和神经网络的混合式尾流预测框架。•设计了一种基于物理特性的轻量级注意力机制，用于根据局部尾流特征对特征进行加权。•在远尾流区域预测（4D–14D）方面实现了高预测精度和时间稳定性。•该框架为实时风

  来源：Ocean Engineering

  时间：2026-05-25

• 在图神经网络中整合多种图特征以进行水位预测

  张若静|孙菊|姚正丽•基于水文关联、皮尔逊相关系数和动态时间规整（DTW）方法构建了三种不同的图结构，以深入挖掘水文站之间的关联关系。•对每种图结构分别应用切比雪夫图卷积（ChebConv）进行空间特征提取，提高了捕捉水文数据特征的能力。•融合多图时空图神经网络（FMG-TGNN

  来源：Journal of Hydrology

  时间：2026-05-25

• 基于物理信息的神经网络用于预测无压力烧结的银（Ag）在裸铜（Cu）基底上的强度，以支持储能系统中的可靠电源封装

  梅云辉|曹旭友|孙星月天津天宫大学电气工程学院，中国天津300387摘要作为裸铜（Cu）基板上烧结银接头机械可靠性的关键指标，剪切强度直接决定了储能系统中电力电子封装的稳定性和使用寿命。鉴于铜在空气中的氧化会显著降低剪切强度，本研究提出了一种基于物理信息的自适应加权神经网络（PI

  来源：Journal of Energy Storage

  时间：2026-05-25

• 利用可解释人工智能基于原位光致发光图像预测钙钛矿太阳能电池在加速应力测试中的电学亚稳态

  金属卤化物钙钛矿（Metal Halide Perovskite, MHP）太阳能电池对偏压的响应表现出由耦合离子-电子过程主导的亚稳态行为，这使得传统发光强度与器件开路电压（Open-Circuit Voltage, V_OC）之间的互易

  来源：Solar RRL

  时间：2026-05-25

• 结合小波变换(wavelet transform)的浅层贝叶斯正则化人工神经网络用于多材料板结构中冲击定位的研究

  摘要：开发对材料变异性具有鲁棒性且计算高效的冲击定位系统，仍是资源受限及自供能结构健康监测（Structural Health Monitoring, SHM）领域的重大挑战。贝叶斯正则化（Bayesian Regularization, BR）应用于浅层人工

  来源：Ultrasonics

  时间：2026-05-25

• 融合遥感、神经网络与野外勘察的多变量地表形变机制研究：以伊朗库姆省为例

  严重的地表形变由极端干旱、强降雨事件及地下水波动引发，已成为全球性挑战，造成显著的环境、水文地质、土木及经济损失。伊朗库姆省被识别为显著地表形变的热点区域。为此，研究人员采用多学科方法，融合遥感、神经网络、统计分析及野外勘察与原位采样，揭示地表形变的潜在机制。

  来源：Results in Engineering

  时间：2026-05-25

• 双任务干扰在多指灵巧性物体操控过程中不诱发机械优势策略

  日常与物体的交互依赖于通过指尖接触力的有效分配，使被抓持物体保持静态平衡。机械优势假说（Mechanical Advantage Hypothesis, MAH）认为，中枢神经系统（Central Nervous System, CNS）会通过优先使用力臂更长

  来源：Results in Engineering

  时间：2026-05-25

• 基于神经预测与模型预测偏航控制的风力发电系统能量捕获增强技术

  大型风力发电系统（WTS）的风向估计精度不足常导致偏航失准、气动效率下降、控制能耗增加及能量捕获减少。为解决上述问题，研究人员提出一种集成学习式风向预测与预测型偏航控制的框架。首先，开发基于残差多层感知机（Residual-MLP）的预测器，以降低传统前馈神经

  来源：Renewable Energy

  时间：2026-05-25

• 基于充电器故障率分析的电动汽车充电站最优调度与路径规划框架

  电动车辆（Electric Vehicle, EV）充电为当代快速演进的交通系统中EV的高效运行提供必需能量。然而，现有研究在调度充电时段时未关注故障充电器。因此，本研究提出一种基于充电器故障率（Fault Rate, FR）分析的最优EV充电站（Chargi

  来源：Journal of Energy Storage

  时间：2026-05-25

• 通过不确定性分析评估核设施故障诊断的可靠性

  生成钱|惠民园|长兰庚|飞谢|少贤古|海潮庄|小斌唐•开发一种用于核设施故障诊断的贝叶斯卷积神经网络（CNN），并实现不确定性量化。•量化设备和系统层面故障中的认知不确定性和随机不确定性。•通过不确定性分析，在噪声较大、数据稀缺和故障情况未知的条件下确保系统的可靠性。•引入覆盖风

  来源：Annals of Nuclear Energy

  时间：2026-05-25

知名企业招聘：