XiaoMi-AI文件搜索系统
World File Search SystemEters
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
基于碳化聚酰亚胺薄膜的三维微结构频率选择表面用于太赫兹应用
频率选择表面 (FSS) 由周期性排列的一维或二维金属结构组成，由于其频率谐振特性而备受关注。FSS 可以根据其尺寸、形状、厚度和其他参数在特定频率范围内选择性地反射 (带阻) 或透射 (带通) 入射电磁波，这是 FSS 的识别特征。[1] 金属和介电材料结构被广泛用于设计太赫兹 FSS 或滤波器，因为它们具有高机械强度，有助于产生功能化设计。金属 FSS 可以通过反射或吸收电磁干扰来屏蔽，但是，制造所需结构的成本很高，并且正在被碳基材料取代，以获得高频电磁特性，具有合适的成本、重量轻、无腐蚀等特点。[2] 通常，碳基材料以 sp、sp 2 和 sp 3 键合，形成相互连接的碳-碳键的长链，从而产生不同的物理和电性能。 [3] 因此，这类材料可归类为半金属或非电介质材料（如石墨烯、石墨、碳纳米管、碳纳米纤维）[4,5]，因此通过在磁场和电场中应用飞秒激光脉冲产生 THz 脉冲，其纳米复合材料可表现出 THz 光跃迁、光电特性和介电特性。[6–11] 由于存在非局域 π 键电子，这些碳基材料表现出优异的 EMI 屏蔽性能。自由移动的电子与电磁波相互作用，导致反射，在共振频率下具有最大回波损耗值。[12] 过多的电磁能量会损坏周围的电路并引起不必要的噪声脉冲。Liang 等人。报道了竹状短碳纤维@Fe3O4@酚醛树脂和蜂窝状短碳纤维@Fe3O4@FeO复合材料作为高性能电磁波吸收材料，在4-18 GHz范围内成功实现了反射损耗-10 dB。[13]然而，在文献中对碳基材料在THz范围内的表征仍然没有很好的解释，关于碳基材料FSS特性的报道很少。最近，一种利用3D打印制造的碳基FSS吸收器
随机浅二维的高效经典模拟......
随机量子电路通常被认为难以进行经典模拟。在某些情况下，这已被正式推测——在深度二维电路的背景下，这是谷歌最近宣布“量子计算霸权”的基础——并且没有证据反对更普遍的可能性，即对于具有均匀随机门的电路，典型实例的近似模拟几乎与精确模拟一样困难。我们通过展示一个浅随机电路系列来证明情况并非如此，该电路系列在标准难度假设下无法有效地进行经典模拟，但可以近似模拟除超多项式一小部分电路实例之外的所有电路实例，时间与量子比特和门的数量成线性关系；这个例子限制了最近随机电路模拟的最坏情况到平均情况简化的稳健性。虽然我们的证明是基于一个人为的随机电路系列，但我们进一步推测，足够浅的恒定深度随机电路通常可以有效地模拟。为此，我们提出并分析了两种模拟算法。通过为深度为 3 的“砖砌”架构实现我们的一种算法（该架构很难进行精确模拟），我们发现一台笔记本电脑可以在 409×409 网格上模拟典型实例，变分距离误差小于 0.01，大约需要一分钟每个样本，而这项任务对于以前已知的电路模拟算法来说是难以完成的。数值证据表明该算法仍然渐近有效。我们严格的复杂性分离和猜想的关键在于观察到 2D 浅随机电路模拟可以简化为由交替进行的随机局部幺正和弱测量组成的 1D 动态形式的模拟。类似的过程最近成为一项深入研究的焦点，该研究通过数值发现，随着测量强度的变化，动力学通常会经历从高效模拟状态到低效模拟状态的相变。通过从随机量子电路到经典统计力学模型的映射，我们给出了分析证据，表明我们的算法会发生类似的计算相变，因为电路架构的参数（如局部希尔伯特空间维度和电路深度）
报告 365 - 交通研究委员会
1978 年，交通研究委员会发布了 NCHRP 报告 tB7，“快速响应城市交通估计技术和可转移参数”。该报告描述了简单规划分析的可转移参数、因素和手动技术。该报告及其默认数据已以各种形式广泛应用于许多交通研究中。该报告已成为宝贵的交通数据来源。然而，手动技术已被微型计算机规划模型所取代，参数和因素基于 20 世纪 60 年代和 70 年代初期的数据。在 NCHRP 项目 8-29 下，Barton-Aschman Associates, Inc. 使用更为当前的交通调查程序和数据更新了 NCHRP 报告 187 中提出的交通需求估计技术和参数。为了向从业者提供最可靠的信息，联邦公路管理局为后续工作 NCHRP 项目 8-29(2) 提供了资金。在这个项目中，Barton-Aschman Associates, Inc. 收集了更多数据，以验证初始项目中开发的出行生成率和出行分布摩擦因素。除了对四步出行需求流程及其通用扩展进行全面审查外，该报告还提供了可转移参数，以便在特定区域的数据不可用或需要检查其合理性时使用。材料主要侧重于较小城市地区的需求，但一些材料对其他地区也很有用。一般而言，大城市地区、不断发展的中型城市地区和严重的空气质量不达标地区将需要更复杂的程序。特定区域参数几乎总是比转移参数更可取，尽管为较小的城市区域开发它们可能不具成本效益。这些技术和参数被组织起来，以便于在许多广泛使用的旅行需求预测程序中使用。案例研究说明了如何在典型研究中应用这些技术和参数。那些有兴趣更深入地研究可转移参数的人应该访问 1995 年全国个人交通调查全球网站 http://www-cta.ornl.gov/npts。该网站允许任何人根据 1995 年 NPTS 数据开发本报告中的参数。
优化的制造和施工现场机器...
抽象有效的维护预测对于确保工业机械的运行连续性和寿命至关重要。本文对机器维护预测的任务进行了对机器学习算法的比较分析。通过严格的实验和评估，我们评估了包括Adaboost，随机森林，梯度增强和Sup-Port Vector Machines（SVM）在内的算法的性能。此外，为了提高预测精度，我们将优化器算法（杜鹃搜索）集成到我们的框架中。此优化技术微调算法参数，进一步提高了准确性。我们的发现为优化机器维护预测提供了宝贵的见解，通过积极的维护策略赋予行业能力，以减轻停机时间并提高生产率。关键字：机器学习模型，随机森林，克雷鱼，优化器，维护。简介小节样本预测维护已成为希望优化其操作，最小化停机时间并降低维护成本的行业的关键策略。通过利用高级数据分析和Ma-Chine学习技术，公司可以预测何时可能发生设备故障，从而实现主动维护干预措施。开发的预测维护软件利用了从计算机数据集派生的四个选定功能的实时数据。这些功能是机器健康和性能的指标。此优化技术有助于微调模型参数，以证明其预测精度和整体性能。通过实时连续监视这些功能，软件可以评估机器的当前状态并预测是否需要维护。为了确保准确的预测，比较和评估了各种分类技术，以确定最有效的模型。这涉及分析不同算法的性能，例如神经网络，决策树，SVM和随机森林等。通过严格的测试和验证，选择了最高表现的模型以在预测维护应用中实现。除了选择最佳分类技术外，使用小龙虾优化器进一步提高了模型的效率。通过利用小龙虾运算层的功能，该软件可以在预测维护需求方面获得更高的精度和可靠性。
肠道微生物群和肌肉减少症或其定义参数之间的关联：系统评价
改变的肠道微生物群（GM）可能有助于通过肠肌肉轴发育或恶化。这项系统评价旨在将肌肉减少症或低肌肉减少症患者之间的GM与具有保留肌肉状态的患者（肌肉质量，力量和身体表现）进行比较多样性指数，以澄清是否有强有力的证据表明存在肌肉减少症的GM签名。该系统审查是根据Prisma报告的指南进行的，并预先注册了Prospero（CRD42021259597）。PubMed，Web of Science，Embase，Clinicaltrials.gov和Cochrane库进行搜索至2023年7月20日。包括报道的有关GM和肌肉减少症或其定义参数的研究。观察性研究与平均年龄≥50岁的人群进行了研究。包括10771人（58.56％♀）的32个研究。13项研究将肌肉减少症定义为一种结构。19个研究报告了至少一个肌肉减少症的参数（肌肉质量，力量或身体性能）。研究发现，在多个级别上的不同GM-TAXA与肌肉减少症（n = 4/6），肌肉质量（n = 13/14），力量（n = 7/9）和身体表现显着相关（n = 3/3）；但是，关联方向是异质的，并且在特定的GM-TAXA方面也存在冲突。与此相一致，α多样性与肌肉质量（n = 3/4）和肌肉力量（n = 2/3）显着和正相关。关于β多样性，研究发现，肌肉减少症患者的转基因，低肌肉质量或低强度的群集与保持肌肉状态的人的群体不同。α多样性较低，表明丰富度和多样性低。所有报告的结果都是显着的（p <0.05）。患有肌肉减少症和低肌肉参数的人的含量较不丰富和多样化，并且可以与基于GM-Composition的肌肉质量和功能的人分开。sarcope-nia和低肌肉参数在多个级别上也与不同的GM-TAXA相关，但由于研究的横截面设计，结果是杂产的，没有因果结论。这强调了对肌肉减少症和明确定义的核心结局集的大型GM混杂器控制的均匀设计的横截面和纵向试验的需求，以进一步探索GM-TAXA的变化并确定Sarcopenia sarcopenia pecipeciefiffiffimenia。
BI Guido 等人：一种评估基于自然的解决方案的影响的综合建模方法 2673
（美国陆军工程兵团，2021 年）。校准程序通过自动校准每个子流域的参数来执行。如果子流域在出口处有洪水计，则单独校准参数。如果没有，则同时校准多个子流域。校准从上游到下游逐步进行。图 7、8 和 9 显示了八个洪水测量站对飓风马修和佛罗伦萨的模拟水文图。总体而言，两个飓风模型都很好地校准了观测到的水文图趋势。根据表 5 所示的性能指标结果，获得的校准精度良好。校准后的参数显示出特定的趋势，可以比较两种飓风的行为。马修模型校准所需的 CN 值高于弗洛伦斯模型，这可能表明前一次事件期间的前期湿度条件 (AMC) 更潮湿。这一观察结果与其他关于伦伯河这些风暴的研究相符（北卡罗来纳州应急管理部门，2018 年；Doll 等人，2020 年），并与 Williams 等人 (2020 年) 的发现一致，他们强调了飓风马修前一个月的大量降雨。此外，据观察，在两次飓风模拟中，大多数校准的 CN 值都在干燥和正常 AMC 之间的估计范围内。这种影响可以归因于流域土壤中的干燥 AMC；然而，这与之前关于飓风马修之前一个潮湿月份的发现相矛盾。另一种解释可以归因于水滞留和积水效应，预计这些效应会减少流域的总径流量。此外，水滞留和积水效应会影响校准的蓄水系数和集水时间，导致校准的蓄水系数和集水时间通常高于最初估计值。伦伯顿洪水站的水文图显示双峰行为，有两个明显的洪水峰值，一个发生在降雨高峰当天，另一个发生在 3 至 4 天后（见图 7）。据推测，第一个峰值对应于子流域对洪水的反应，而第二个峰值是由来自上游部分的延迟流量产生的。上游流域的行程时间值比预期的要大得多，
学习通过增强学习来控制相机曝光
相机曝光控制是通过控制曝光时间，增益和光圈来调整展示水平的任务，以达到给定场景的所需亮度和图像质量水平。调整较差的暴露参数导致暴露过度，暴露不足，模糊或嘈杂的图像，这可能会导致基于图像的应用程序中的性能降解，并且在最坏的情况下甚至是威胁生命的事故。因此，找到适当的相机暴露是确保计算机VI- sion应用功能的第一步，例如对象检测[5，16]，语义分割[9，17]，深度估计[10，26]和视觉传感器[1，13]。相机外观控制中有几个基本要求。必须保证快速收敛以在动态降低的情况下保持适当的暴露水平。此外，曝光控制环是相机系统中最低的循环之一。因此，必须考虑轻巧的算法设计用于车载级操作。最后，不应牺牲融合图像的质量以满足要求。此外，同时控制的参数数的数量也很重要，因为它会影响收敛时间和收敛图像的最终质量。单一控制方法[14，18，20]以一种方式控制暴露参数，以达到所需的暴露水平，而不是控制暴露参数。但是，收敛的参数通常不是最佳的，例如[长时间曝光时间，低增益]和[短曝光时间，高增益]对。结果，该值导致不良图像伪像，例如由于长时间的暴露时间或由于高增益而引起的严重噪声而导致运动模糊。关节曝光参数控制[7，8，8，21，23，24]通常需要在广泛的搜索空间中进行多个搜索步骤，以找到最佳组合。结果，它们会引起闪烁效果和缓慢的收敛速度。此外，由于其优化算法[7，8]，图像评估指标[7，8，20，21]和GPU推论，因此需要高级计算复杂性[23]。在本文中，我们提出了一种新的联合暴露参数控制方法，该方法利用了增强学习来实现即时收敛和实时处理。所提出的框架由四个贡献组成：•简化的训练场，以模拟现实世界的di-verse和动态照明变化。•闪烁和图像属性感知奖励设计，以及用于实时处理的轻巧和直观的状态设计。•静态的动态照明课程学习，以提高代理的暴露能力。•域随机技术减轻训练场的限制并在野外实现无缝的一般性，而无需额外的训练。
光伏性能测试的辐射测量仪器和测量指南
2.1 典型的太阳光谱分布显示 PV 感兴趣的区域 。.....................3 2.2 各种 PV 材料的相对光谱响应函数。.....................4 2.3 用于光伏材料评估的不同实验室灯的光谱分布。...........5 2.4 太阳光谱分布随大气质量增加的变化 M ......................6 2.5 太阳几何定义，包括法线角、天顶角、入射角和方位角 ............7 3.1 光学滤波器参数 ....................。。。。。。。。。。。。。。。。。。。。。。。。.......11 3.2 使用公式 (4) 时指示辐照度与真实辐照度变化示意图 ..........14 3.3 使用二极管阵列和扫描光栅光谱仪测量的 Spire 2 40A 的相对光谱分布与校准灯光谱的比较 ....................15 3.4 阵列光谱辐射计数据收集时序图 .........................16 3.5 带有 3 个误差线的光谱辐照度灯数据标准 ........................19 3.6 NREL 光谱辐射校准照片 ...............................2 2 3.7 NREL 光谱辐射计相隔六个月的校准文件比率 ..........2 3 3.8 汞氩灯的发射光谱显示用于波长校准的线条 .2 4 3.9 由于校准期间过量的（反射的）辐射到达输入光学器件导致白炽灯的光谱分布失真 ......................... ; .......2 5 4.1 氙源的光谱分布、ASTM E-892 全局光谱以及 CIS 和非晶硅电池的光谱响应，用于光谱失配计算 .............2 6 4.2 白炽灯源的CIS和非晶硅光谱响应和光谱辐照度曲线 ............。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。..29 4.3 NREL 参考电池校准测量系统框图 ...............3 2 4.4 NREL 样品光谱响应报告 ..。。。。。。。。。。。。。。。。。。。。。。。。.................3 3 4.5 用于 Sandia/NIST 校准程序的设备示意图 ...................3 4 5.1 典型的绝对腔辐射计设计 .........。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。.4 1 5.2 使用绝对腔辐射计参考的典型日射计响应度与一天中的时间。注意响应度有 1.2% 的差异... ................................... 44 5.3 遮光-非遮光日射强度计校准信号时间序列 .......< div> 。。。。。。。。。...... div>......4 5 5.4 示意图日射强度计的分量总和校准。................. div>....4 6 5.5 ' 典型太阳辐射计响应度响应与天顶角 . < /div>................. div>.........4 7 5.6 与图相同型号太阳辐射计的响应度与天顶角的关系。5.5 ........... div>....4 8 5.7 三纬度倾斜 NREL 光伏系统太阳辐射计与四季晴空的纬度倾斜参考太阳辐射计。.........。。。。。。。。。。。。。。。。。。。。.49 5.8 与 5.7 类似，但适用于部分多云条件 .....................................50 5.9 与图 5.7 和 5.8 类似，但阴天条件除外。.........................5 1 5.10 由晴空分量总和（直射光计/漫反射）数据生成的 NREL 太阳辐射计方位角-仰角响应图 ..。。。。。。。。。。。。。。。。。。。。。。。。.......5 2 5.11 未补偿的 50 结 T 型热电偶的温度响应非线性。还显示了补偿网络的响应。.................5 3 5.12 Eppley Laboratories 温度补偿网络示意图 ...................5 4 5.13 典型的 Eppley PSP 和 Kipp 和 Zonen 温度响应数据 ................5 4 5.14 单个 Eppley PSP 日射强度计的重复温度响应结果 ............5 5 6.1 用于 NREL 标准化室外测量系统的日射强度计支架，用于 PV 模块性能测试。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。..5 8 6.2 NREL 户外测试设施使用的光伏系统日射强度计安装方案示例 ..60 6.3 用于评估光伏模块能量生产能力的拟议方法流程图 ........6 1 6.4 辐射数据的月/小时平均数据报告样本 .........................6 3 6.5 NSRDB 每小时数据格式注释示例 ...。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 4
基因组研究的一系列可解释和可解释的机器学习方法
精确医学的主要重点是使用计算工具来准确预测疾病结果并确定相关的生物标志物以进行有效的后续评估。Over the last two decades, linear models have been widely implemented to identify differentially expressed genes and enriched signaling pathways in functional genomics (Love et al., 2014 ; Nueda et al., 2014 ; Ritchie et al., 2015 ; Robinson et al., 2009 ), characterize complex trait architecture in genome-wide association studies (, 2010 ; Hayeck et al., 2015 ; Heckerman et al., 2019年，Kang et al。等Al。，2018年； Manno等，2018），并在不同的时间点，数据收集位点和组织类型上进行有效的归一化和维度降低（Hasin等，2017；Lähnemann等，2020）。这些方法的一部分是它们提供统计显着性措施的能力，例如P值，后置包含概率（PIPS）或然后可以使用的贝叶斯因素，可用于促进下游任务（例如，选择哪些分子机制以药物为目标或选择哪些临床干预措施对特定患者有效）。不幸的是，严格的加性假设通常会阻碍线性模型的性能；这些方法中最强大的方法依赖于训练算法，这些算法在计算上效率低下且对大规模数据集不可靠。成像和测序技术的持续进步（Stephens等，2015）提供了范围，以将多模式的非参数方法整合为生物学和临床应用中的最先进工具。的确，机器学习方法众所周知，具有在数据中学习复杂的非线性模式的能力，并且当有大量的培训示例可用时，它们通常在设置中获得最大的功能（Lecun等，2015）。然而，文献中已被大量引用，许多机器学习技术都受到“黑匣子”限制的影响，因为它们并不自然地进行经典的统计假设测试，例如线性模型，这对于精确医学中的决策至关重要。导致非线性算法更好的预测性能的关键特征之一是自动包含被放入模型中的特征之间的高阶相互作用（Crawford等，2018； Jiang＆Reif，2015）。例如，神经网络利用分层之间的激活功能，这些层隐式列举了输入特征之间所有可能的（多项式）交互作用（Demetci等，2021; 2021; Murdoch等，2019; Tsang，Cheng，Cheng，＆Liu，＆Liu，2018; Tsang，Liu，Liu等，2018; 2018; WAHBA，1900年）。这已被证明在准确预测模型生物的特征方面有所作为，在这些特征中，诸如epistasis之类的现象（即多个基因座和/或基因之间的相互作用）可以在物种之间的变化中发挥很大作用（Bellot等人，2018; Runcie et al。，2021; Swain等，2016; swain等，2016; 2016; weissbrod et al an a w weissbrod et al。这是用于改进模型的部分数学解释，但在许多生物医学应用中，我们经常希望准确地知道哪些基因组特征（例如变体，基因和途径）对于定义表型或疾病结果的结构最重要。本手稿的主要目的是回顾大量的方法论研究，这些方法是为了开发计算生物学中更“可解释的”和“可解释”的机器学习。在整个本文中，我们将使用经典的观点，即“解释性”与使用模型参数的事后能力有关（有时也称为在文献的某些领域中表现“可变重要性”）（Crawford et al。，2019; Lundberg＆Lundberg＆Lee，2016，2017，2017; ribeio; ribeio et alik anik shrik，shrik shrik;虽然“解释性”是模型固有地为其参数和体系结构提供了可理解的定义（Hira等，2019； Marcinkevics＆Vogt，2020; Shmueli，2010）。两个概念都可以分为试图在（i）全球范围上实现解释性或可解释性的方法类别，在该方法中，目标是对观察到的人群的整体变化的贡献进行对/（ii）在局部层面上的贡献进行排名/选择的输入，旨在详细介绍对数据集中的任何特定个人的重要性。在这里，我们将专注于描述神经网络中的全球尺度方法，其特殊动机来自基于关联映射的基因组学应用程序。我们在这篇综述中的主要贡献是为我们所说的“透明度谱”提供全面的景观，用于监督和无监督的学习算法，因为我们从黑匣子转移到可解释的方法，并最终转化为可解释的方法（图1）。