关键词： 移动互联网   工程造价   实时监测   人工智能  

摘要： 探究以移动互联网为依托的工程造价信息实时监测技术,查看其应用的基础,囊括采用移动互联网采集数据以及云计算与大数据分析的辅助部分,构建出一套实时监测体系,探讨体系架构、数据传输处理与安全性保障的有关事项,开展针对核心技术的研究探索,涉及物联网数据采集、大数据分析与预测、人工智能数据处理等形式,以实际应用的案例为参照,开展对监测平台开发流程、功能优化、端口协同以及问题改进方向方面的分析,对工程造价管理的信息化、智能化水平提升起到积极推动作用,为该行业赋予技术依托。

关键词： 人工智能   道路桥梁病害   智能检测   预警系统   深度学习  

摘要： 为了改善道路桥梁病害的主观定量分析、精准检测和预警的问题,本研究基于人工智能技术提出并构建了一种道路桥梁病害智能检测与预警系统。首先,本文利用人工智能中的深度学习技术进行道路桥梁病害的自动检测;然后,以大数据分析为基础,构建并训练了强大的预测模型,从而提前预警道路桥梁病害。实验结果表明,相较于传统的病害识别方法,本系统能更精确、完全自动地检测出道路桥梁的病害,并进行及时预警,从而显著提高了道路桥梁病害的检测效率和预防效果。该研究为道路桥梁的病害检测与管理提供了新的解决方向,具有一定的研究价值和实用意义。

关键词： 人工智能   生成式人工智能知识   人-机协同   知识论  

摘要： 智能时代，基于生成式人工智能生成的知识不同于人类客观知识，是一种“生成式人工智能知识”。从模式看，生成式人工智能知识的生成模仿人类客观知识的实现模式，是“机器思维”在对“机器经验世界”的存储、分析和挖掘基础上的生成。从机理看，生成式人工智能知识是人-机协同的产物，人工智能将人的需要与经验世界“强”联系在一起。从功能看，生成式人工智能知识在增强人类认知、减轻人类体力劳动和脑力劳动、丰富人类精神世界等方面具有重要作用。从实践看，生成式人工智能知识的生成与应用需要社会引导与规范。为更好地生成有利于人类发展的生成式人工智能知识，我们应构建生成式人工智能知识论体系，拓展当代知识论的研究领域；发展高水平生成式人工智能创新共同体，提高生成式人工智能知识生成与应用效能；构建高效的生成式人工智能知识治理体系，推动生成式人工智能知识异化问题的解决。

关键词： 花生油   全产业链   黄曲霉毒素   管控   源头阻控   在线检测   人工智能  

摘要： 黄曲霉毒素是花生油加工中的高风险污染物，其全产业链管控对保障食品安全和产业高质量发展具有重要意义。该文系统梳理了花生油全产业链黄曲霉毒素管控应用技术的研究进展，涵盖源头阻控、采购储运管控及加工端脱除等。源头阻控通过企业自建基地或订单种植模式，应用阻控黄曲霉及其毒素污染和促进结瘤固氮起耦合作用Aspergillus flavus/Aflatoxins and Rhizobia coupling（简称ARC）菌剂等生物防治技术实现。采购储运管控通过产地调研、样品检测和仓储参数优化降低污染风险。加工端脱除采用振动筛分、色选剔除、紫外降解、物理吸附及碱炼脱除等多技术联用实现毒素深度脱除。当前花生油黄曲霉毒素管控技术面临源头阻控稳定性不足、在线检测技术短板及智能化应用缺失等挑战。未来需加强源头生物阻控技术、在线检测技术开发、人工智能技术在全产业链中应用，为花生油质量安全提供系统性解决方案。

关键词： 人工智能   医疗器械   科学研究   竞争格局   文献计量学分析  

摘要： 本文旨在采用科学数据绘制人工智能（AI）医疗器械领域的全球科研竞争格局。在Web of Science核心集合中检索AI医疗器械论文，采用文献计量学方法对全球科研竞争格局进行分析。结果显示，截止到2023年底，全球论文共计55 147篇，其中2018年至2024年占76.6%，研究聚焦于AI辅助医学图像和生理信号分析。国家层面，中国（17 991篇）和美国（14 032篇）发文量绝对领先。中国发文增速较快，2023年发文量达美国的2倍以上；美国篇均被引频次较高（中国16.29次/篇vs美国35.99次/篇）。机构层面，7家中国机构和3家美国机构发文量居全球前十位。研究者层面，以Acharya U Rajendra、Rueckert Daniel、田捷为代表的众多研究者采用AI辅助医学图像分析，另有部分研究者聚焦于特定图像，如杨晓峰（AI辅助肿瘤精准放疗）和沈定刚（脑图像分析），还有部分研究者聚焦于AI辅助生理信号分析，如高小榕、明东等。结果证明，全球AI医疗器械领域快速发展，“图像+AI”是最为成熟的方向。中美两国处于绝对领先水平，中国发文量略胜一筹，美国起步较早且研究质量较高。两国均有众多科研团队从事该领域研究。

关键词： 高速铁路   钢箱梁   温度模式   机器学习   气象因素  

摘要： 为探究高速铁路大跨度斜拉桥钢箱梁的温度模式，基于商合杭高铁裕溪河大桥实测温度数据和数据库资料，通过机器学习方法，对钢箱梁温度受各类气象因素影响的模式、温度场的时间和空间分布规律开展研究。通过建立反映多种气象因素与钢箱梁日均匀温度映射关系的机器学习模型，分析各模型的优劣性和适用性，并得到影响钢箱梁日均匀温度的气象因素重要性排名；综合机器学习方法和指数拟合研究钢箱梁竖向温度分布模式。结果表明：气象因素对钢箱梁日均匀温度的影响重要性从高到低排名依次为气温、累积辐射量、气压、湿度、辐射强度、风向、水平能见度、风速、降水量，且温度的重要性远超其他气象因素；其中对钢箱梁日均匀温度影响最大的是2和3 h前的大气温度，反映了大气温度变化对钢箱梁日均匀温度的影响有2～3 h的滞后性；神经网络、随机森林和XGBoost模型均能较为准确地对钢箱梁日均匀温度进行预测，其中神经网络模型的整体预测效果较好；钢箱梁负温差对气象因素的敏感度较低，与自身结构的热量传递模式相关性更大；指数函数能较高精度地拟合钢箱梁竖向最大正温差分布情况，其参数可通过机器学习方法确定，且不同参数分别具有不同的实际物理意义。研究结果为高速铁路大跨度斜拉桥钢箱梁温度结构的温度预测及分布模式提供了参考。

关键词： 微纳米水气分散体系驱   机器学习   K-Means聚类分析   人工神经网络   莱文贝格-马夸特算法  

摘要： 微纳米水气分散体系驱（MNWDS）是1种新型的提高采收率技术，通过微纳米尺度的气水分散相注入，能够进入更小的孔隙空间，从而扩大了波及体积，有效提高了采收率。目前，该方法已在五里湾长6试验区开展矿场实验。在采用数值模拟方法预测微纳米水气分散体系驱的产油量时，需要考虑气泡尺寸、气液比、流体性质等多参数及复杂的气液相互作用，过程复杂且耗时长，无法快速模拟微纳米水气分散体系驱的产油量。为能够准确地预测注入微纳米水气分散体系驱后油井的产油量，该研究基于试验区实际生产数据和地质模型参数，运用人工神经网络（ANN）算法，建立了微纳米水气分散体系驱的产油量预测模型。该模型以试验区微纳米水气分散体系实施前油井的产油量、含水率、渗透率、注入微纳米水气分散体系量、水驱储量、孔隙度、有效厚度作为输入参数。以实施后12个月的产油量作为输出参数，建立了模型的训练样本集。通过对样本集进行K-Means(K-均值聚类算法)聚类分析，剔除了无效样本，最终形成了59个样本的训练集。在模型训练中，引入优化算法自动调整模型参数，显著提高了模型的测试集预测精度。基于此模型，对即将实施微纳米水气分散体系驱的21个井组进行了产油量预测，预测结果与数值模拟结果对比表明，二者的符合率高达95%，验证了该次模型的准确性。该模型为微纳米水气分散体系驱的产油量预测提供了1个新的途径。

关键词： 机电一体化系统   传感器技术   数据处理   物联网   人工智能  

摘要： 随着科技的迅猛发展,机电一体化技术成为制造业重要的发展方向。在机电一体化系统中,传感器技术的作用至关重要。本文结合了一系列研究方法,例如实验室模拟和现场测量等,深入探究了机电一体化系统中的传感器技术的应用和性能。研究发现,优化传感器布局、增强传感器的精度和稳定性以及提高数据处理能力,都能显著提升机电一体化系统的性能。结果表明,引入新型传感器技术,如物联网和人工智能,能进一步优化机电一体化系统的效率和灵活性。本研究深化了对机电一体化系统中传感器技术的理解,为进一步完善机电系统提供了科学依据。

关键词： 人工智能   经济增长   区域差距   量化空间模型  

摘要： 当前,中国的区域经济发展分化态势明显。在此背景下,人工智能的快速渗透会给各地经济增长和区域差距带来什么影响?为了回答该问题,本文首先建立差分模型,给出简约式的证据。研究发现,人工智能对经济增长有显著的促进作用,如果处于25%分位的城市采用与75%分位城市一样的人工智能渗透率,则其GDP的增长率提高约1.4个百分点。该结论在进行一系列稳健性检验及处理内生性问题后仍成立。为进一步分析人工智能对各个区域的异质性影响及总体经济效应,本文构建了一个多区域量化空间模型。模拟分析表明:人工智能会提高一个地区的就业、工资与产出,降低其生产成本与价格,促进该地与其他区域的贸易和劳动力流动;如果每个区域都受到了相同的人工智能冲击,则全国GDP和福利水平会上升,但与此同时,由于各地对冲击的响应不同,区域之间人均产出的差距将拉大。

关键词： 钢包下渣   机器学习   钢包底部结构   XGBoost   回归预测  

摘要： 钢包结构直接影响炼钢工艺的效率、质量和经济性。为进一步优化钢包结构设计，基于钢包下渣水模拟数据，深入探讨了不同机器学习算法在预测开始下渣时剩余钢水量的效能，并针对钢包底部结构变量对下渣剩余钢水量的影响进行了预测分析。首先，采用SMOGN技术对钢包下渣水模拟数据进行过采样预处理，以平衡数据分布，构建包含训练集和测试集的剩余水量特征集。在此基础上，分别测试了LASSO,SVR,ElasticNet,MLP以及XGBoost五种机器学习模型对剩余水量的预测能力。通过决策系数、均方误差和平均绝对误差三个指标进行评估，结果表明，XGBoost模型的预测效果最优，是剩余钢水量预测模型的首选。最后，采用XGBoost模型分析了钢包模型底部结构变量，包括水口直径、水口凸起高度、钢包底部台阶高度和钢包底部台阶与水口距离等对钢包下渣剩余水量的影响。结果表明，当水口直径超过?40 mm时，剩余水量显著降低。降低水口凸起高度，以及增加钢包底部台阶高度，会显著降低钢包内剩余水量：当水口凸起高度超过26 mm时，剩余水量则将超过20 L；而当台阶高度超过11 mm且水口凸起高度低于11 mm时，剩余水量将减少到10 L以下。当台阶与水口距离增大时，剩余水量先减少，在距离大于100 mm后趋于稳定。研究结果为钢铁企业优化钢包结构、降低钢液浪费方面提供了重要参考，具有实际指导意义。