XiaoMi-AI文件搜索系统
World File Search System数据驱动
欧洲地震参考站的数据驱动和机器学习识别
sumary日益增长的地震网络和越来越多的永久性地震站可以帮助改善地震危害评估的物理基础。为此，参考站点条件的定义非常重要。如果已知参考地面运动的可靠估计，则可以根据该参考位点对任何给定位点进行修改。由于选择良好的参考位点的选择并不简单，这主要是由于浅层层的较高可变性，因此这种选择被证明会受到大型不确定性的影响。虽然最上层30 m（v s 30）的平均s波速度之类的代理参数可能有助于表征参考站点条件，但此类参数既不可用，也不允许结论一下该站点不受放大和减弱效应的影响。在这项研究中，我们以统一和完全数据驱动的方式确定欧洲的前瞻性参考地点。所有分析均基于免费可用的地质和地球物理数据，不需要现场测量或特定地点代理。研究既说明了扩增的影响，又是较大频率范围内的衰减。为了解决关键概念问题，我们基于机器学习技术验证了我们的分类，其中研究了单个站点表征参数的影响。我们的研究表明，在2000多个研究中，欧洲大约250个地点不受当地现场效应的影响，并且可以根据所应用的标准将事实视为参考地点。
使用地球观察数据驱动海洋塑料回收
启动公司RecyCllux提供了一种全面的，技术驱动的解决方案，可帮助企业有效地减轻其塑料占地面积（通过扩展的生产者责任或企业社会责任行动），从而减轻了与海洋污染相关的挑战，并推动了我们星球的积极变革。专有算法，处理地球观察数据，以准确地识别具有高浓度的塑料废物和简化废物收集工作的海洋区域。在确定废物点后，Recycllux采用了Uber类似的模型将有兴趣实施ESG行动的公司与钓鱼船和当地非政府组织联系起来，以收集和分类废物，并与回收公司一起将废物转化为第二代材料。此外，Recycllux还利用区块链技术来确保废物管理过程中的透明度和问责制。通过在防篡改分类帐上记录每笔交易，区块链增强了可追溯性和可信赖性，对于监视从收集到回收利用的海洋塑料废物的整个生命周期至关重要。
用于冲刷深度的高效数据驱动机器学习模型......
海堤是沿海地区重要的防御基础设施，保护内陆地区免受风暴潮、海浪越堤和土壤侵蚀的侵袭。海堤趾部冲刷是由海浪引起的床层物质的堆积和侵蚀造成的，对沿海基础设施的结构完整性构成了重大威胁。准确预测冲刷深度对于合理有效地设计和维护沿海结构至关重要，这有助于降低趾部冲刷导致结构失效的风险。然而，目前用于评估倾斜结构趾部冲刷的指导和预测工具有限。近年来，人工智能和机器学习 (ML) 算法引起了人们的兴趣，尽管它们为许多沿海工程应用提供了稳健的预测模型，但此类模型尚未应用于冲刷预测。本文，我们开发并提出了基于 ML 的模型，用于预测倾斜海堤趾部冲刷深度。使用四种 ML 算法，即随机森林 (RF)、梯度提升决策树 (GBDT)、人工神经网络 (ANN) 和支持向量机回归 (SVMR)。使用综合的物理建模测量数据来开发和验证预测模型。采用一种新颖的特征选择、特征重要性和超参数调整算法框架，用于基于 ML 的模型的预处理和后处理步骤。提出了深入的统计分析来评估所提模型的预测性能。结果表明，在本研究中测试的所有算法中，预测准确率至少为 80%，总体而言，SVMR 的预测最准确，判定系数 (r2) 为 0.74，平均绝对误差 (MAE) 值为 0.17。在所测试的算法中，SVMR 算法的计算效率也最高。本研究提出的方法框架可应用于冲刷数据集，以快速评估海岸防御结构的冲刷情况，从而促进基于模型的决策。
数据驱动审计：自动化和人工智能如何改变审计和审计员的角色
基于计算机为审计行业带来的变革（例如，将打勾和计算从纸质账本转移到电子工作底稿），技术和自动化、分析和人工智能的广泛使用正在推动审计的发展。结合当今的计算能力（及其易用性）、机器学习和人工智能审计工具，可以分析大量数据以发现异常并识别人类不易察觉的见解、模式和关系。然而，需要人类的洞察力和经验来理解输出，判断信息是否代表真正的异常，更重要的是，确定异常、见解或模式在整体背景下意味着什么。
以及 FAIR 工作流程中的数据驱动神经科学建模
1 瑞典斯德哥尔摩 KTH 皇家理工学院电气工程与计算机科学学院生命科学实验室；2 印度班加罗尔塔塔基础研究所国家生物科学中心；3 美国费尔法克斯乔治梅森大学沃尔格瑙工程学院生物工程系；4 美国坦佩亚利桑那州立大学数学与统计科学学院；5 瑞士洛桑联邦理工学院蓝脑计划；6 瑞典斯德哥尔摩卡罗琳斯卡医学院神经科学系；7 芬兰坦佩雷坦佩雷大学医学与健康技术学院；8 立陶宛考纳斯立陶宛健康科学大学神经科学研究所；9 立陶宛考纳斯维陶塔斯马格努斯大学信息学系； 10 德国海德堡理论研究所 (HITS) 分子和细胞建模组；11 德国海德堡大学分子生物学中心 (ZMBH)，ZMBH-DKFZ 联盟；12 德国海德堡大学跨学科科学计算中心 (IWR)
Riken ADSP国际研讨会2025人工智能和数据驱动医学
扬声器和tittles Miles C. Andrews，医学博士，博士医学肿瘤学家，澳大利亚莫纳什大学高级研究员肿瘤，患者和微生物组：对癌症免疫疗法的广角观察10:05〜10:45
通过熔池监测进行珠子几何形状预测的数据驱动方法
1 简介 增材制造 (AM) 是指通过连接材料从 3D 模型制造零件的工艺 [1]。定向能量沉积 (DED) 是一种特殊类型的金属 AM 工艺，其中激光和金属粉末的交汇会在基材上形成熔融的金属池（熔池），然后冷却以形成固体金属轨道。此过程逐层重复以创建最终部件。与其他金属 AM 工艺相比，DED 以其制造大型工件、构建近净形状以及修复现有零件和铸件的能力而闻名 [2–4]。此外，DED 还用于开发高级材料，例如分级材料 [5]，这允许将金属粉末组合用于单个部件的不同位置。因此，AM 技术为制造业带来了重大创新。与传统的减材制造相比，AM 允许无与伦比的灵活设计，并通过仅在需要的地方沉积材料来减少材料浪费 [6]。尽管 DED 具有上述优势，但由于零件质量不可靠，需要改进过程监控和控制才能在整个行业范围内采用。具体而言，零件质量差是由于激光成型对操作和边界参数（包括激光功率）的微小变化高度敏感 [7]。基于反馈的方法有可能动态调整激光功率以减少过程波动，而无需参考特定的、先前测试过的几何形状和沉积历史。非接触式仪器已广泛用于类似应用，因为它们能够在远离沉积区域热量的安全距离处收集信息。由于激光温度高，高熔化温度、高功率激光反射和非层流很容易导致传感器损坏。当考虑成本和易于集成时，使用可见光摄像机进行光束同轴熔池监测仍然是一种方便且经济高效的解决方案，因为许多 DED 沉积头都配备了用于将监测摄像机纳入光学链的端口 [8]。因此，这项工作专注于一种视觉装置，该装置可以通过熔池的能量含量间接检测珠子高度的异常，从而可以预测和纠正与所需沉积结果的潜在偏差。此外，还创建了数据收集和标记管道，以减少数据准备时间。为了预测轨道几何形状的偏差，我们探索了机器学习 (ML) 算法的使用，特别是支持向量回归 (SVR) 和卷积神经网络 (CNN) 的回归。对创建的模型进行了评估，以确定其是否能够集成到边缘设备上，以实现机器的闭环或前馈控制。
数据驱动方程发现揭示人类的非线性强化学习
强化学习 (RL) 的计算模型对我们理解人类行为和决策做出了重大贡献。然而，传统的 RL 模型通常采用线性方法来更新奖励预期，这可能会过度简化人类行为与奖励之间的微妙关系。为了应对这些挑战并探索强化学习的新模型，我们利用了一种使用方程发现算法的新型模型发现方法。这种方法目前主要用于物理学和生物学，它试图通过从一系列建议的线性和非线性函数中提出微分方程来捕获数据。使用这种新方法，我们能够识别一种新的 RL 模型，我们称之为二次 Q 加权模型。该模型表明，奖励预测误差服从非线性动力学并表现出负偏差，导致在期望值较低时奖励权重过低，而在期望值较高时奖励缺失权重过高。我们通过将我们的模型与 9 项已发表研究中使用的经典模型进行比较来测试其通用性。在已发布的九个数据集中的八个数据集中，我们的模型在预测准确度方面超越了传统模型，这不仅证明了其普遍性，还表明它有可能为人类学习的复杂性提供新的见解。这项工作展示了将新颖的行为任务与先进的计算方法相结合，作为揭示人类认知复杂模式的有效策略，标志着在开发可解释且广泛适用的计算模型方面迈出了重要一步。
drivaernet：用于数据驱动空气动力设计和基于图的阻力预测
摘要这项研究介绍了Drivaernet，这是3D行业标准汽车形状的大规模高保真CFD数据集，以及RegDGCNN（一种动态的图形卷积神经网络模型），均旨在通过机器学习进行空气动力的汽车设计。drivaernet，其4000个详细的3D汽车网架使用了50万个表面网状面和全面的空气动力性能数据，包括全3D压力，速度场和壁剪应力，解决了广泛的数据集以训练工程应用中深度学习模型的广泛数据的关键需求。它比以前最大的汽车公共数据集大60％，并且是唯一对车轮和车身底部进行建模的开源数据集。regdgcnn利用此大型数据集直接从3D网格中提供高精度的阻力估计，绕过传统限制，例如需要2D图像渲染或签名距离字段（SDF）。通过在几秒钟内实现快速的阻力估计，RegdGCNN便有助于快速的空气动力学评估，从而为在汽车设计中的数据驱动方法整合而实现了巨大的飞跃。一起，Drivaernet和Regdgcnn承诺将加速汽车设计过程，并有助于开发更有效的车辆。为了为未来的创新奠定基础，我们的研究中使用的数据集和代码可在https://github.com/mohamedelrefaie/drivaernet 1中公开访问。
基于机器学习方法的数据驱动电网安全评估：预印本
为了预测暂态稳定性裕度，在系统中引入了输电线上的三相故障。虽然在所有模拟过程中故障位置都是固定的，但故障清除时间是变化的。在此示例中，故障位于 18 总线系统中 North-01（总线 1）和 North-02（总线 2）之间的分支。在每个时间步骤或 24 小时数据周期的每 5 分钟测试同一组故障清除时间。在每个 5 分钟时间步骤中，故障清除时间以 20 毫秒的间隔从 60 毫秒调整到 720 毫秒。因此，总共创建了 9,792 个测试用例。选择临界清除时间 (CCT) 作为暂态稳定性的度量。CCT 定义为在不中断系统性能的情况下允许消除干扰的最大时间。如果可以在允许的时间之前清除干扰，则系统是稳定的。以较小的间隔调整故障清除时间的目的是为了创建足够数量的稳定和不稳定情况，以确定更准确的 CCT。在每次模拟过程中，所有机器的转子角度都会受到监控。如果任何两台发电机的转子角度偏差超过 180 度，则认为这种情况不稳定。