关键词： 非饱和土   数据库   土水特征曲线   机器学习   预测  

摘要： 土水特征曲线(SWCC)是研究非饱和土渗透、强度预测与本构关系的基础。机器学习算法具有高效处理大量数据和特征提取等特点。采用六种机器学习算法(四种集成学习和两种传统机器学习算法)对美国非饱和土数据库中的154条SWCC包含1976个数据点进行模拟;并使用四个性能评价指标(R^(2)、EVS、MAE和RMSE)评价算法的性能。选取两种数据输入的方式:对压力水头进行对数处理和未处理两类。结果表明,在两种输入情况下,对LightGBM、XGB、RF和AdaBoost算法的影响很小;但是对GPR和SVM两种传统机器学习算法的影响很大,在未进行对数处理情况下,R2降低明显甚至会出现无法模拟SWCC的情况。此外,LightGBM对SWCC测试集的模拟效果上均优于其他模型,拥有高的趋势评价指标(R2和EVS)和低的误差测量指标(MAE和RMSE);六种算法对SWCC模拟的优劣的排列顺序依次为:LightGBM、GPR、XGB、RF、AdaBoost和SVM。最后,利用已训练好的LightGBM模型对9条不包含在数据库内的SWCC数据进行预测,结果显示LightGBM能够较好地预测非饱和土的土水特性。研究结果对提升不同类型土的SWCC预测具有重要的指导意义。

关键词： 台风   直接经济损失   机器学习   脆弱性   灾害风险  

摘要： 基于2014—2021年浙江省县域台风直接经济损失、致灾因子、孕灾环境和承灾体数据,利用随机森林(random forest,RF)、极度梯度提升树(extreme gradient boosting,XGBoost)和轻量级梯度提升机(light gradient boosting machine,LightGBM)3种机器学习集成模型,分别构建了浙江省台风直接经济损失评估模型。结果显示:(1)3种模型均能有效评估台风直接经济损失等级,准确率、精确率、召回率和F1分数均在0.83以上。(2)3种模型对于目标等级为1的样本预评估效果较好,准确率均在0.9以上,而对等级2、3的样本预评估能力相对不足。(3)对于2个测试台风而言,RF、XGBoost对于米娜(1918)的预测结果均略优于杜鹃(1521),LightGBM对杜鹃(1521)的预测准确率高于米娜(1918),但精确率、F1分数和卡帕系数均低于米娜(1918),模型的泛化能力有待进一步提高。(4)以台风过程总降水量、台风过程极大风速为代表的致灾因子特征变量在3种模型中的重要性均较高,远高于孕灾环境和承灾体特征变量。研究结论可为进一步改进台风经济损失评估模型和辅助防灾减灾决策提供支持。

关键词： 中学美术   人工智能   学科教学  

摘要： 不断发展和应用的人工智能(AI)技术,为艺术教育提供了前所未有的可能。对中学美术学科教学融合智能AI的案例进行分析,旨在探讨引入AI辅助教学,打造个性化课程,开发互动课程,融入AI绘画技术,构建智慧教室,打造特色化美术教学。

关键词： 智能调度   粮食产业   码头运营   优化策略   机器学习  

摘要： 粮食运输是我国粮食安全保障的重要环节,其中港口作为核心节点,其运营效率直接影响运输体系的整体效能。文中针对粮食码头资源调度与排产难题,设计了一套基于人工智能与大数据分析的智能排产系统框架。系统包括决策推荐、调度计划、执行反馈和评估体系四大模块,通过数据采集、处理和转换,实现从调度方案生成到执行反馈的闭环管理。借助机器学习与优化算法,系统能够动态生成精准的排产方案,并通过实时监控与评估,支持计划调整与优化。研究表明,该系统显著提升了码头装卸效率与资源利用率,为粮食码头智能化运营提供了创新解决方案,对保障粮食运输效率和港口运营智能化发展具有重要意义。

关键词： 三通管   有限元   机器学习   随机森林   梯度提升  

摘要： 为了满足三通管液压成形过程的监测和过程控制的需求,构建了一个基于有限元数据驱动的机器学习框架用于多物理场的实时预测,包括:数据生成模型构建,建立能够准确描述塑性成形过程的有限元模型;数据集生成,结合成形工艺特点和成形设备参数范围要求进行实验设计,同时通过有限元模拟创建数据集,用于机器学习模型的训练;模型训练,选择机器学习算法就有限元模拟生成的数据集进行学习,建立边界位移与材料内部位移场的映射;多物理场计算,基于预测位移场推导材料内部应变、应力以及厚度场等的分布。采用该框架构建了基于CPB06屈服准则的纯钛三通管液压成形有限元模型,在此基础上通过加载路径全因子模拟实验生成了机器学习数据集,并采用随机森林和梯度提升算法实现了材料内部位移的实时预测,计算出了等效应变、等效应力和管材壁厚的分布。将上述预测模型用于全新工况的三通管液压成形,结果表明,预测误差不超过5%,说明构建的集成有限元方法的机器学习框架可以解决有限元模型无法在线分析的问题,实现对塑性加工过程中多物理场的实时预测。

关键词： 冠心病   中性粒细胞与高密度脂蛋白胆固醇比值   机器学习  

摘要： 目的:探讨中性粒细胞与高密度脂蛋白胆固醇比值(NHR)对冠心病(CHD)的预测价值。方法:研究940名研究对象,包括548例冠心病组以及392例对照组。相关性分析计算CHD与NHR的相关系数。最小绝对收缩和选择算子(LASSO)回归分析筛选潜在影响。构建机器学习模型进行评估变量在诊断的重要性。采用ROC曲线分析危险因素对冠心病的预测能力。使用Spearman相关性分析来评估NHR与Gensini评分之间的关系。结果:相关性分析显示冠心病与NHR的相关系数为0.25,呈正相关(P Objective: To investigate the predictive value of the neutrophil-to-high-density lipoprotein cholesterol ratio (NHR) for coronary heart disease (CHD). Methods: A total of 940 subjects were studied, including 548 in the CHD group and 392 in the control group. Correlation analysis was conducted to calculate the correlation coefficient between CHD and NHR. LASSO (Least Absolute Shrinkage and Selection Operator) regression analysis was performed to identify potential influencing factors. A machine learning model was constructed to evaluate the importance of variables in diagnosis. ROC (Receiver Operating Characteristic) curve analysis was used to assess the predictive ability of risk factors for CHD. Spearman correlation analysis was employed to evaluate the relationship between NHR and Gensini score. Results: Correlation analysis showed a positive correlation between CHD and NHR, with a correlation coefficient of 0.25 (P < 0.001). LASSO regression analysis revealed a significant association between NHR and CHD risk. Further analysis using machine learning algorithms demonstrated that NHR has good predictive value for CHD diagnosis. ROC curve analysis indicated that the combination of the top 7 most important risk factors improved the predictive value for CHD (AUC: 0.738, P < 0.001). Additionally, Spearman correlation analysis found that as NHR levels increased, the Gensini score also increased (r = 0.32, P < 0.001). Conclusion: NHR is an independent risk factor for CHD and is closely associated with both the prediction and SEVERITY of CHD. The XGBoost model shows good applicability for CHD and NHR.

关键词： 重点科技项目   档案行业   传统档案管理   国家档案局   出版发行   档案管理理论   武汉大学出版社   人工智能  

摘要： 国家档案局重点科技项目成果——《人工智能在档案工作中的应用》一书由武汉大学出版社正式出版发行。该书作为全国首部以“人工智能+档案工作”为主题的研究专著,为档案管理理论和实践提供了全新的视角和方法。该书由安徽省档案馆、安徽大学档案馆、讯飞智元信息科技有限公司、中国人民大学档案学院联合完成。该书从实际应用角度出发,系统介绍了当前主流人工智能技术的发展状况及其在档案行业中常见的应用场景;深入分析了AI技术给传统档案管理带来的机遇与挑战,探讨了典型的应用模式.

关键词： 人工智能   高中教育   未来教室   确定性   可变性  

摘要： ChatGPT的横空出世引发了人工智能的第四次浪潮。人工智能带来了学习方式与人才培养标准的改变,能够为学生提供个性化的学习指导,促进深度学习的发生。人工智能赋能教育,需要防止“不作为”与“乱作为”的倾向,兼顾“确定性”与“可变性”的平衡。未来五年,高中应用人工智能应更关注个性化教学,打破学科壁垒,促进多学科融合,同时,为学生提供灵活、多样的问题情境,提高学生在具体情境下运用知识解决问题的能力。

关键词： 执行董事会   人工智能   首席执行官   变革性   颠覆性技术   变革影响   AI   蒸汽机  

摘要： 前三次工业革命的结果证明,赢家并不是那些发明蒸汽机等颠覆性技术的人,而是那些看到未来并且迅速利用行业潜在变革影响的公司。“我已经公开说过,我们不相信人工智能是炒作。对我们而言.人工智能是一种变革性的力量,它正在加速物理世界和数字世界的融合”这是默克集团执行董事会主席兼首席执行官葛丽鹤(Bel@n Garijo)在“AI日”上表达的立场。

关键词： 组合优化   机器学习   最优化  

摘要： 最优化是一个非常经典的研究领域,许多工程、管理等领域的问题本质上都是最优化问题.目前,以深度学习、强化学习为代表的机器学习方法发展迅速,在诸多学科领域都带来了关键性的促进和发展.最优化是机器学习的重要支撑学科之一,机器学习归根到底都要转化成求解一个最优化问题,这属于科学智能(science for AI(artificial intelligence))的研究内容.反过来,人工智能技术(包括机器学习)已经对科学的发展产生了重大影响,并且将形成新的科学研究范式—智能科学(AI for science).最优化问题的人工智能求解方法就是利用人工智能的理论方法设计最优化问题快速高效的求解算法.本文总结了组合优化机器学习求解方法最近几年的研究进展,深入分析了组合优化问题求解的难点及其人工智能求解方法的瓶颈问题,结合图像处理、博弈论和强化学习等热门领域的研究现状,给出了一些重要的研究方向.